トランスクリプトミクスを活用したアクティブ・ラーニング・フレームワークは,疾患のフェノタイプを調節する物質を特定する

科学分野:

• 計算生物学
• 薬物の発見
• ゲノミクス

背景:

• フェノタイプ薬のスクリーニングは,化学的空間と実験的スケーラビリティによって制限されています.
• 現在の計算方法は一般化や最適化能力が欠けていることが多い.
• 薬の発見に用いられるゲノムプロキシはしばしばユーリスティックであり,最適化には抵抗する.

研究 の 目的:

• 複雑な現象型を誘発する化合物を識別するためのスケーラブルで最適化可能な計算フレームワークを開発する.
• 薬物発見のためのアクティブ・ディープ・ラーニングのアプローチの中でオミックスのデータを活用する.
• フェノタイプ薬のスクリーニングの効率と成功率を改善する.

主な方法:

• オミックスのデータを統合したアクティブ・ディープ・ラーニング・フレームワークを設計した.
• 実験室内のシグネチャーの精製戦略を採用した.
• 血液学調査のアルゴリズムを検証した

主要な成果:

• ディープラーニング・フレームワークは,リコールにおける最先端モデルよりも優れたパフォーマンスを示しました.
• 発見キャンペーンのフェノタイプのヒット率が 13~17倍に増加しました.
• 実験室内の精製と組み合わせると ヒット率の2倍増加が観察され 分子洞察が得られました

結論:

• 開発されたフレームワークは,効率的かつスケーラブルなフェノタイプのヒット識別を可能にします.
• このアプローチは 薬剤発見のパイプラインを加速させる大きな可能性を秘めています
• 実験的な精錬による統合は,ヒット識別をさらに強化し,メカニズム的な理解を提供します.