细胞绘画和转录组学数据的交叉模式学习改善了动作聚类和生物活性建模的机制

科学领域:

• 药物的发现和开发.
• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.

背景情况:

• 多模式数据集成对于理解药物发现中的复杂生物系统至关重要.
• 细胞绘画 (CP) 和散装转录组学RNA-Seq (TX) 是互补的高含量选方法,提供不同的生物学见解.
• 结合CP和TX数据的多式模式尚未得到充分探索,特别是在跨模式学习场景中.

研究的目的:

• 为CP-TX跨模态表示学习进行对比学习和双模态自动编码器的比较.
• 为了评估学习嵌入的实用性下游任务,当只有CP数据可用于新的化合物.
• 评估学习表征对聚类和生物活性预测任务的影响.

主要方法:

• 使用对比学习和双模自动编码器对配CP和TX数据进行表示学习.
• 跨模式学习框架,模型在两种模式上接受培训,但仅使用CP数据进行应用.
• 对细胞涂料复制品的聚类和作用机制 (MoA) 分类的基准测试性能.
• 对生物活性预测任务的评估,包括按蛋白质标家族分组的子集.

主要成果:

• 学习的嵌入,特别是来自对比学习的嵌入,在通常优于TX数据的任务上显著提高了CP功能性能.
• 学习的表示提高了CP复制品和MoA分类的集群质量.
• 在几个生物活性预测任务中观察到性能增长,特别是涉及特定蛋白质标家族的任务.

结论:

• 使用细胞绘画和转录组学数据进行交叉模式学习是药物发现的可行策略.
• 学习的表示有效地弥合了当转录组学数据无法访问新型化合物时的差距.
• 这种方法增强了早期药物发现管道中的生物解释和预测能力.