Proformer:用于多种疾病早期风险评估的多模式蛋白质组学变压器模型
Shizheng Qiu1, Yang Hu1, Jingjing Liu2
1Faculty of Computing, Harbin Institute of Technology, No. 92 Xidazhi Street, Nangang District, Harbin, 150001, China.
Briefings in bioinformatics
|December 27, 2025
概括
一个新的Proformer模型使用蛋白质组学数据进行早期慢性疾病风险评估. 这种人工智能工具预测了20种疾病的10年风险,超过了当前临床预测器,以改善预防策略.
科学领域:
- 生物医学信息学是生物医学信息学.
- 计算生物学是一种计算生物学.
- 蛋白质组学是指蛋白质组学.
背景情况:
- 目前的慢性疾病风险评估是疾病特异性和数据密集型的.
- 现有的蛋白质大语言模型在临床上无法用于疾病风险预测.
研究的目的:
- 开发和验证用于多种疾病风险评估的多模式蛋白质组学变压器 (Proformer).
- 整合蛋白质表达,序列和功能,以提高预测能力.
主要方法:
- 接受英国生物库蛋白质组学数据的培训,来自47,124名个人.
- 评估了Proformer在20种常见慢性疾病的风险歧视方面的表现.
- 将Proformer与机器学习,深度学习和临床风险预测器进行了比较.
主要成果:
- 在所有20种慢性疾病中,Proformer实现了最先进的性能.
- 在10年风险歧视中表现优于年龄+性别,ASCVD风险评分和35个变量的临床小组.
- 结果在独立的苏格兰和威尔士队伍中成功复制.
结论:
- Proformer提供了一种新的,单一测量方法,用于多种疾病的风险概况.
- 从蛋白质组学数据直接生成10年慢性疾病风险报告.
- 代表了临床蛋白质学在个性化疾病预防方面的重大进展.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.7K
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
2.1K
