Mahi: Una red neuronal de grafos multimodal y consciente del tejido para el descubrimiento genético in silico

Área de la Ciencia:

• Biología computacional; Genómica; Bioinformática

Sus antecedentes:

• Comprender la función génica específica del tejido es crucial para identificar dianas farmacológicas.
• Los métodos computacionales actuales a menudo pasan por alto las interacciones génicas dependientes del contexto.

Objetivo del estudio:

• Presentar Mahi, un marco de red neuronal de grafos para aprender representaciones génicas conscientes del contexto.
• Integrar características moleculares multimodales dentro de contextos específicos del tejido.
• Mejorar la predicción de la esencialidad génica y las respuestas a las perturbaciones.

Principales métodos:

• Se desarrolló un marco de red neuronal de grafos (GNN) escalable e interpretable llamado Mahi.
• Se integraron datos de accesibilidad de la cromatina, unión de factores de transcripción, modificaciones de histonas y estructura de proteínas.
• Se preentrenó sobre topologías de redes específicas del tejido y luego se integraron características multimodales en 290 tejidos/tipos celulares.

Principales resultados:

• Mahi aprende incrustaciones génicas conscientes del contexto, superando a los modelos basados en secuencias en la predicción de la esencialidad génica en 1183 líneas celulares de cáncer.
• El espacio de incrustación aprendido revela la organización génica específica del tejido y los roles dependientes del contexto.
• Las perturbaciones simuladas de eliminación génica utilizando Mahi identificaron vías relevantes para enfermedades y posibles dianas terapéuticas.

Conclusiones:

• Mahi proporciona una base para modelar la función génica específica del tejido y las respuestas a las perturbaciones.
• El marco permite aplicaciones en medicina de precisión, descubrimiento de fármacos e identificación de vulnerabilidades genéticas dependientes del contexto.
• Todas las incrustaciones aprendidas y el marco Mahi están disponibles públicamente.