Hacia modelos de fundación multimodal en biología celular molecular

Área de la Ciencia:

• Biología computacional
• La genómica
• Biología molecular

Sus antecedentes:

• Las tecnologías ómicas de alto rendimiento generan vastos datos biológicos, desafiando los métodos de análisis tradicionales.
• Los modelos de lenguaje grande (LLM) han integrado con éxito conjuntos de datos masivos en el procesamiento del lenguaje natural.
• Existe la necesidad de cerrar la brecha entre la generación de datos ómicos y el descubrimiento de conocimientos moleculares.

Objetivo del estudio:

• Proponer el desarrollo de modelos de fundación multimodales previamente entrenados en diversos conjuntos de datos de omics.
• Aprovechar estos modelos para caracterizar los estados moleculares celulares y crear mapas biológicos completos.
• Permitir aplicaciones avanzadas impulsadas por la IA en biología celular molecular y ciencias de la vida.

Principales métodos:

• Formación previa de modelos de base multimodales basados en los datos ómicos integrados (genómica, transcriptómica, epigenómica, proteómica, metabolómica, perfilado espacial).
• Utilizando el aprendizaje de transferencia específico del contexto para aplicaciones posteriores.
• Desarrollo de marcos analíticos basados en IA para datos biológicos.

Principales resultados:

• Capacidad anticipada para caracterizar los estados celulares moleculares a través de un continuo.
• Facilitación del mapeo holístico de células, genes y tejidos.
• Potencial para el reconocimiento de nuevos tipos celulares, el descubrimiento de biomarcadores y la inferencia de regulación génica.

Conclusiones:

• Los modelos de fundación multimodal representan un cambio de paradigma en el análisis de datos biológicos complejos.
• Los análisis potenciados por la IA pueden desentrañar mecanismos moleculares intrincados y apoyar el diseño experimental.
• Este enfoque promete avanzar significativamente en nuestra comprensión de las ciencias de la vida.