一个深度学习框架,用于在单细胞水平上对抗癌药物的查

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 药理学 药理学是指药理学的学科.

背景情况:

• 瘤异质性是癌症进展和治疗耐药性的关键因素.
• 单细胞RNA测序 (scRNA-seq) 提供了关于细胞异质性和罕见细胞识别的见解.
• 通过了解瘤中的细胞多样性,可以改善有针对性的治疗策略.

研究的目的:

• 开发一种深度学习框架,用于*in silico*对抗癌药物的查.
• 识别潜在的候选药物,在泛癌和泛组织转录环境中针对特定细胞群.
• 预测单个细胞对药物的反应,并评估其损伤组织的作用和机制.

主要方法:

• 利用了一种泛癌和泛组织单细胞转录景观.
• 开发并应用了Shennong深度学习框架用于药物查.
• 预测细胞特异性药物反应,组织损伤和作用机制.

主要成果:

• 沈阳成功地选了各种细胞类型的抗癌药物 *in silico*.
• 优先考虑的化合物包括FDA批准的试验药物和具有抗瘤活性的新药候选药物.
• 预测的组织损伤效应与已知的不良事件和药物开发失败相关.

结论:

• 申农框架为药物发现提供了一种强大且易于解释的方法.
• 这种方法有可能加快药物查和增强治疗策略设计.
• 沈阳可以提高识别有效和安全的抗癌治疗的准确性和效率.