基于表型的药物发现的化学诱导转录特征的深度表示学习
Xiaochu Tong1,2, Ning Qu1,2, Xiangtai Kong1,2
1Drug Discovery and Design Center, State Key Laboratory of Drug Research, Shanghai Institute of Materia Medica, Chinese Academy of Sciences, 555 Zuchongzhi Road, Shanghai, 201203, China.
Nature communications
|June 25, 2024
概括
人工智能 (AI) 通过重建杂的基因表达数据来增强药物发现. 新的深度学习模型TranSiGen提高了识别有效药物化合物的准确性.
科学领域:
- 生物医学是生物医学.
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 基于表型的药物发现比基于目标的方法具有优势,特别是当目标不清楚时.
- 化学诱导的转录档案提供了全面的药物机制洞察力,但往往被噪音所掩盖.
- 开发强大的计算模型对于从复杂的分子数据中提取有意义的生物信号至关重要.
研究的目的:
- 开发TranSiGen,一种深度生成模型,用于精确重建化学诱导的转录形状.
- 利用自我监督的表示学习来分析细胞和复合信息.
- 为了证明TranSiGen在各种药物发现应用中的实用性.
主要方法:
- 使用深度生成模型 (TranSiGen) 与自我监督的表示学习.
- 分析了基底细胞基因表达和分子结构.
- 重建化学诱导的转录形状,具有高准确性.
主要成果:
- TranSiGen准确地重建了转录资料,有效地处理噪音.
- 衍生表示在基于联体的虚拟查,药物反应预测和药物重定位方面表现出很高的性能.
- 在体外验证证了TranSiGen在识别有效的胰腺癌药物的潜力.
结论:
- 在药物发现的转录分析中,TranSiGen克服了噪声限制.
- 该模型的表示在多个下游任务中是有效的.
- 整合TranSiGen可以显著推进药物发现和机制研究.
