Predicción de cambios en la morfología celular bajo perturbaciones con un modelo de difusión guiado por transcriptoma

Área de la Ciencia:

• Biología computacional
• Descubrimiento de drogas
• Imágenes celulares

Sus antecedentes:

• El perfil basado en imágenes de alto rendimiento es crucial para el descubrimiento de fármacos fenotípicos.
• La predicción de los mecanismos de acción (MOA) y la bioactividad del compuesto requiere comprender los cambios en la morfología celular.
• Explorar todas las perturbaciones químicas y genéticas es imposible con los métodos actuales.

Objetivo del estudio:

• Desarrollar un modelo computacional para simular respuestas morfológicas celulares de alta fidelidad a las perturbaciones.
• Mejorar la predicción de los mecanismos de acción (MOA) y la bioactividad de los compuestos.
• Para acelerar la selección fenotípica en el descubrimiento de fármacos.

Principales métodos:

• Propuso MorphDiff, un modelo de difusión latente guiado por el transcriptoma.
• Aplicó el modelo a tres conjuntos de datos a gran escala (dos fármacos, una perturbación genética).
• Evaluó el rendimiento en miles de perturbaciones, incluyendo las invisibles.

Principales resultados:

• MorphDiff predice con precisión los cambios morfológicos celulares para nuevas perturbaciones.
• El modelo mejora significativamente la precisión de la recuperación de MOA, comparable a la morfología de la verdad fundamental.
• Superó los métodos de referencia en la identificación de MOA en un 16,9% y 8,0%.

Conclusiones:

• MorphDiff es una herramienta poderosa para simular la morfología celular bajo perturbación.
• El modelo acelera el cribado fenotípico y mejora la identificación de MOA.
• Demuestra un potencial significativo para el avance de las tuberías de descubrimiento de medicamentos.