CODEX:反事实 深度学习用于in silico癌症细胞系扰乱的探索
Stefan Schrod1, Helena U Zacharias2, Tim Beißbarth1
1Department of Medical Bioinformatics, University Medical Center Göttingen, 37077 Niedersachsen, Germany.
Bioinformatics (Oxford, England)
|June 28, 2024
概括
高通量屏幕 (HTS) 可以识别癌症药物效应,但复杂性限制了探索. CODEX (反事实深度学习用于in silico探索) 使用因果AI来预测药物反应和组合,从而实现高效的in silico分析.
科学领域:
- 计算生物学是一种计算生物学.
- 癌症研究 癌症研究
- 机器学习是机器学习.
背景情况:
- 高通量屏幕 (HTS) 对于理解癌症细胞系对化学和遗传干扰的反应至关重要.
- 干预的广泛组合可能性 (药物,组合,CRISPR) 使全面的HTS探索具有挑战性.
- 优先考虑干预措施对于有效的治疗开发至关重要.
研究的目的:
- 引入CODEX (反事实深度学习用于癌症细胞系扰乱的in silico探索),这是HTS数据因果建模的框架.
- 为了使药物特异性细胞反应的in silico预测,包括生存和分子变化.
- 通过反事实推理,促进对药物组合和基因改造的探索.
主要方法:
- 开发了CODEX,这是HTS数据因果建模的一般框架.
- 在严格的因果模型中采用反事实推理.
- 将框架应用于批量和单细胞HTS数据.
- 利用深度学习进行波影响的in silico预测.
主要成果:
- CODEX准确地预测药物特定的细胞反应和分子变化.
- 该框架允许在体中探索协同作用和对抗作用的药物组合.
- 在单细胞中,CODEX为探索复杂的基因修改提供了理由,例如CRISPR干扰.
- 这种方法对于批量和单细胞HTS数据都有效.
结论:
- CODEX提供了一个强大的计算工具,用于优先考虑和探索癌症研究中的干预措施.
- 该框架利用因果AI和反事实推理来克服HTS组合复杂性的局限性.
- 通过高效的体实验,CODEX促进了新型治疗策略的发现.
