El marco de aprendizaje activo que aprovecha la transcriptómica identifica moduladores de fenotipos de enfermedades

Área de la Ciencia:

• Biología computacional
• Descubrimiento de drogas
• La genómica

Sus antecedentes:

• El cribado de fármacos fenotípicos está limitado por el espacio químico y la escalabilidad experimental.
• Los métodos computacionales actuales a menudo carecen de generalizabilidad o capacidades de optimización.
• Los proxies genómicos utilizados en el descubrimiento de fármacos a menudo son heurísticos y resisten la optimización.

Objetivo del estudio:

• Desarrollar un marco computacional escalable y optimizable para identificar compuestos que inducen fenotipos complejos.
• Aprovechar los datos omicos dentro de un enfoque activo de aprendizaje profundo para el descubrimiento de fármacos.
• Mejorar la eficiencia y la tasa de éxito del cribado de fármacos fenotípicos.

Principales métodos:

• Diseñó un marco de aprendizaje profundo activo que integra datos omics.
• Empleó una estrategia de refinamiento de firma de laboratorio en el bucle.
• Validar el algoritmo en las campañas de descubrimiento hematológico.

Principales resultados:

• El marco de aprendizaje profundo demostró un rendimiento superior a los modelos de última generación en el retiro.
• Logró un aumento de 13 a 17 veces en la tasa de éxito fenotípico en las campañas de descubrimiento.
• Se observó un aumento de dos veces en la tasa de aciertos cuando se combinó con el refinamiento de laboratorio en el bucle, produciendo conocimientos moleculares.

Conclusiones:

• El marco desarrollado permite una identificación fenotípica eficaz y escalable.
• Este enfoque tiene un gran potencial para acelerar el proceso de descubrimiento de fármacos.
• La integración con el refinamiento experimental mejora aún más la identificación de golpes y proporciona una comprensión mecanicista.