in silico遺伝的発見のためのマルチモーダル組織認識グラフニューラルネットワーク

科学分野:

• 計算生物学
• ゲノミクス
• バイオインフォマティクス

背景:

• 組織特異的な遺伝子機能を理解することは、薬物標的を特定するために重要です。
• 現在の計算方法は、コンテキスト依存的な遺伝子相互作用を見落としがちです。

研究 の 目的:

• コンテキストアウェアな遺伝子表現を学習するためのグラフニューラルネットワークフレームワークであるMahiを導入します。
• 組織特異的なコンテキスト内でマルチモーダル分子特徴量を統合します。
• 遺伝子必須性および摂動応答の予測を改善します。

主な方法:

• Mahiというスケーラブルで解釈可能なグラフニューラルネットワーク（GNN）フレームワークを開発しました。
• クロマチンアクセシビリティ、転写因子結合、ヒストン修飾、およびタンパク質構造データを統合しました。
• 組織特異的なネットワークトポロジーで事前トレーニングされ、その後290の組織/細胞タイプ全体でマルチモーダル特徴量を統合しました。

主要な成果:

• Mahiは、1,183のがん細胞株全体で遺伝子必須性の予測において、シーケンスベースのモデルを上回るコンテキストアウェアな遺伝子埋め込みを学習します。
• 学習された埋め込み空間は、組織特異的な遺伝子編成とコンテキスト依存的な役割を明らかにします。
• Mahiを使用したシミュレートされた遺伝子ノックアウト摂動は、疾患関連経路と潜在的な治療標的を特定しました。

結論:

• Mahiは、組織特異的な遺伝子機能および摂動応答をモデル化するための基盤を提供します。
• このフレームワークは、精密医療、創薬、およびコンテキスト依存的な遺伝的脆弱性を特定するアプリケーションを可能にします。
• 学習されたすべての埋め込みとMahiフレームワークは公開されています。