采用人工智能驱动的免疫细胞知识图 (ICKG) 与颗粒状免疫背景使免疫程序解释成为可能

科学领域:

• 免疫学和计算生物学
• 利用先进的计算方法进行生物数据分析.
• 整合多学科数据用于免疫系统研究.

背景情况:

• 单细胞和空间奥米克已经进行了先进的免疫细胞分析,但知识仍然分散.
• 从文献中合成免疫细胞状态,功能和基因调节是具有挑战性的.
• 现有的数据库缺乏对于机械学理解至关重要的上下文意识关系.

研究的目的:

• 构建免疫细胞知识图 (ICKGs) 以整合碎片化的免疫细胞知识.
• 为了使对免疫细胞功能和基因调节的情境感知推理.
• 为了促进免疫奥米克研究中的机械学假设生成.

主要方法:

• 利用大语言模型 (LLM) 来处理超过24,000个PubMed摘要,重点是癌症免疫治疗.
• 开发了四个特定于细胞类型的知识图表,具有人类可验证的验证.
• 经过验证的ICKG与来自细胞因子刺激和CRISPR实验的扰动数据集相比.

主要成果:

• ICKGs捕捉了基因,通路和免疫功能之间的直接,文献支持的关系.
• 国际基因基因组提供了比正规数据库更准确和免疫学上更连贯的背景.
• 识别了可解释的路径注释,包括免疫瘤学的新型签名.

结论:

• ICKG提供了一个可扩展的框架,用于功能解释在免疫奥米克.
• 开发的交互式门户网站使社区能够访问基于ICKG的路径注释.
• 这项工作通过整合从文献中获得的免疫细胞知识来增强机制性假设的产生.