使用药物发现深度生成模型预测对新化学扰动的转录反应

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 药理学 药理学是指药理学的学科.

背景情况:

• 了解细胞对化学化合物的反应对于有效的药物发现至关重要.
• 由于规模,对所有可能的疾病化合物相互作用的实验查是不可行的.
• 预测对新化学扰动的转录反应是一个关键的挑战.

研究的目的:

• 介绍PRnet,一个扰动条件下的深度生成模型.
• 预测大量和单细胞水平上对新化学扰动的转录反应.
• 为了使在-silico药物查和识别新的治疗候选人.

主要方法:

• 开发PRnet,一个深度生成模型.
• 调节模型对扰动数据进行响应预测.
• 与其他方法相比,评估PRnet的表现.
• 利用PRnet进行基因级响应解释和药物查.
• 在PRnet中识别的候选药物的实验验证.

主要成果:

• PRnet准确地预测了对新型化学扰动的转录反应.
• 在预测跨化合物,途径和细胞系的反应方面,PRnet的性能优于现有的方法.
• PRnet成功地确定并验证了小细胞肺癌和结直肠癌的新型候选药物.
• 创建了一个大规模的扰动特征图谱,涵盖了各种细胞系和组织.
• 对于233种疾病,PRnet推了候选药物.

结论:

• PRnet是预测细胞对化学干扰反应的有效工具.
• PRnet促进了在体中进行药物查,并加速了基因治疗的识别.
• 该模型能够生成全面的地图,并推候选药物,为治疗开发提供了可扩展的工作流.