摩尔基因-E:反向分子设计来调节单细胞转录组学

科学领域:

• 计算生物学 计算生物学
• 药理学 药理学是指药理学的学科.
• 机器学习 机器学习

背景情况:

• 系统药理学旨在将病变细胞恢复到健康状态,解决传统药物发现之外的未满足的医疗需求.
• 单细胞转录组学提供了详细的细胞状态映射,但由于数据噪声,异质性,稀缺性和高维度性而带来挑战.
• 目前的机器学习方法不足以使用单细胞奥米克数据来设计药物分子.

研究的目的:

• 开发一种新的深度生成框架,MolGene-E,能够从单细胞转录组学数据设计新的药物分子.
• 为了解决现有的机器学习方法在处理杂,高维的单细胞omics数据的局限性,用于药物发现.

主要方法:

• 开发了MolGene-E,这是一个集成两个新型模型的深度生成框架:用于协调和否定转录组学数据的跨模式模型,以及用于分子设计的基于对比学习的生成模型.
• 利用化学扰乱的批量和单细胞转录组学数据作为生成框架的输入.
• 通过使用CRISPR目标敲除实验验验证生成的分子.

主要成果:

• MolGene-E有效地协调和否定复杂的单细胞转录组学数据.
• 该框架基于基因表达特征生成高质量的,类似打击的分子.
• 莫尔基因-E在零射击分子生成中展示了最先进的性能,在各种指标上表现优于基线方法.

结论:

• 莫尔基因-E在将机器学习应用于用于药物发现的单细胞奥米克数据方面取得了重大进展.
• 该框架显示出作为一种强大的新工具的潜力,用于识别新型候选药物,特别是复杂疾病.
• 这种方法克服了与单细胞数据相关的关键挑战,为更有效的药物设计铺平了道路.