CoSynLLM: predicción de la sinergia de combinaciones de fármacos con descripciones generadas por LLM

Área de la Ciencia:

• Biología Computacional
• Farmacología
• Inteligencia Artificial

Sus antecedentes:

• La terapia combinada de fármacos es crucial para enfermedades complejas, pero enfrenta desafíos debido al gran número de combinaciones potenciales.
• El cribado experimental de todas las combinaciones de fármacos no es práctico y es costoso.
• El aprendizaje profundo y los modelos de lenguaje grandes (LLM) muestran potencial para predecir combinaciones de fármacos sinérgicas.

Objetivo del estudio:

• Desarrollar un marco asistido por LLM, CoSynLLM, para predecir la sinergia de combinaciones de fármacos.
• Aprovechar la información semántica derivada de LLM y las huellas dactilares de fármacos para una representación integral de los fármacos.
• Integrar datos de expresión génica de líneas celulares para el contexto celular en la predicción de sinergia.

Principales métodos:

• CoSynLLM utiliza LLM para generar información química semántica.
• Se incorporan huellas dactilares de fármacos para características estructurales explícitas.
• Una estrategia jerárquica de fusión de características combina datos de fármacos y líneas celulares para la predicción de sinergia.

Principales resultados:

• CoSynLLM demostró un rendimiento competitivo en conjuntos de datos de referencia (NCI-ALMANAC y O'Neil).
• El marco predice eficazmente la sinergia de combinaciones de fármacos.
• El estudio destaca la utilidad de los LLM en el descubrimiento computacional de fármacos.

Conclusiones:

• CoSynLLM proporciona un marco computacional robusto para predecir combinaciones de fármacos sinérgicas.
• Este enfoque puede acelerar la identificación de terapias combinadas eficaces.
• Los métodos asistidos por LLM ofrecen una solución práctica al desafío del cribado de fármacos combinatorios.