在阿尔茨海默氏症的治疗中,通过SHEAF计算重定位药物,对snRNA-seq数据进行理论人口规模分析

科学领域:

• 基因组学和生物信息学
• 神经科学和药理学 神经科学和药理学

背景情况:

• 单细胞和单核RNA测序 (scRNA-seq/snRNA-seq) 提供了对细胞异质性的洞察力,这对精确医学至关重要.
• 药物发现需要人口层面的分子理解,需要对scRNA-seq/snRNA-seq数据进行可扩展的分析.

研究的目的:

• 开发一个连续的向药物选择模型,用于对抗阿尔茨海默氏症 (AD) 向药物的药物重新定位.
• 为了利用AD患者大脑中的人口规模的snRNA-seq数据用于目标识别和药物查.

主要方法:

• 对阿兹海默症患者微质细胞和脑血管细胞的种群级 snRNA-seq 数据的分析.
• 通过差异基因表达 (DEG) 识别的AD目标的蛋白质-蛋白质相互作用 (PPI) 分析中利用了持久的羊皮拉普拉西亚 (PSL).
• 采用机器学习模型来预测可重复使用的DrugBank化合物,并选中枢神经系统相关的ADMET特性.

主要成果:

• 从人口规模的snRNA-seq数据中确定了与AD进展相关的重要基因.
• 通过选DrugBank化合物,生成了针对AD治疗的潜在候选药物清单.
• 评估了选化合物的疗效和中枢神经系统相关的ADMET特性.

结论:

• 这项研究建立了一个基于机器学习的药物重定向框架,用于使用人口规模的OMIC数据对AD进行重定向.
• 已确定的主要候选人代表阿尔茨海默病治疗的有前途的治疗选择.