自动转换OP:使用深度学习来翻译omics签名,而无需 ortologue 的要求

科学领域:

• 计算生物学是一种计算生物学.
• 系统生物学 系统生物学
• 生物信息学是一种生物信息学.

背景情况:

• 动物和体外试验模型往往无法准确预测人类的生物反应,导致高临床试验失败率.
• 了解人类生物学对于开发有效的治疗方法和疫苗至关重要.
• 现有的跨物种数据分析方法通常依赖于同源基因鉴定,这并不总是可行的.

研究的目的:

• 开发一个新的计算框架,AutoTransOP,用于在不同的生物环境 (物种,细胞类型) 中绘制omics配置文件.
• 为了能够识别相关的生物信息,而不需要直接的ortolog映射.
• 提高非人类模型对人类疾病和治疗反应的预测能力.

主要方法:

• 开发了AutoTransOP,一个神经网络自动编码框架.
• 从各种物种和细胞环境中映射到一个共享的潜伏空间中的omics配置文件.
• 验证了跨物种疫苗血清学研究的框架.

主要成果:

• AutoTransOP成功地将omics数据映射到一个全球隐藏空间中,从而实现跨上下文分析.
• 该框架在识别预测分子特征时的性能与现有方法相提并论.
• 关键的是,AutoTransOP不需要同源匹配,这对于物种间比较来说是一个显著的优势.
• 成功应用于具有挑战性的跨物种疫苗血清学数据,在缺乏直接特征映射的情况下.

结论:

• AutoTransOP提供了一种强大的新方法,用于整合和分析生物数据在不同的环境.
• 这种框架可以提高临床前模型的实用性,用于预测人类对治疗药物和疫苗的反应.
• 在计算生物学方面,AutoTransOP为克服特定物种的数据挑战提供了重大进展.