CELLetter: aprovechamiento del modelo de lenguaje grande y la red de doble flujo para identificar interacciones...

Área de la Ciencia:

• Biología Computacional; Biología de Sistemas; Genómica

Sus antecedentes:

• La comunicación célula a célula (CCC) es vital para los organismos multicelulares.
• Los métodos computacionales existentes a menudo pasan por alto la señalización intracelular y se basan en bases de datos estáticas de ligando-receptor (L-R).

Objetivo del estudio:

• Desarrollar un marco novedoso de aprendizaje profundo, CELLetter, para identificar interacciones L-R y descifrar la señalización celular.
• Integrar la coexpresión L-R con la actividad del factor de transcripción (TF) aguas abajo para un análisis mejorado de la comunicación.

Principales métodos:

• Se utilizó el modelo de lenguaje de proteínas ProstT5 para la incrustación de características.
• Se empleó una arquitectura de doble flujo con un mecanismo de compuerta para la fusión e interacción de características.
• Se integraron pares L-R, datos de scRNA-seq y actividad de TF para cuantificar la fuerza de la comunicación.

Principales resultados:

• CELLetter demostró un rendimiento superior en la clasificación L-R frente a métodos de vanguardia.
• Los pares L-R predichos mostraron una relevancia espacial significativa en tejidos de corazón y pulmón humanos.
• Identificó MIF-CD44 como un eje de señalización clave en HNSCC, sugiriendo potencial terapéutico.

Conclusiones:

• CELLetter ofrece un marco robusto para identificar interacciones L-R e inferir CCC.
• El marco mejora la comprensión de las vías de señalización celular e identifica posibles dianas terapéuticas en enfermedades como HNSCC.