文献衍生,上下文感知基因调控网络改善生物预测和数学建模

科学领域:

• 计算生物学 计算生物学
• 系统生物学 系统生物学
• 生物信息学是一种生物信息学.

背景情况:

• 基因调节网络 (GRNs) 对于了解疾病至关重要,但现有的分析往往忽略了特定上下文的相互作用.
• 了解GRNs如何因疾病,细胞类型或病情而异,对于有效的治疗至关重要.

研究的目的:

• 开发一种新的框架,从科学文献中提取的基因规范赋予定量,上下文依赖的权重.
• 提高重建特定背景GRNs的准确性,以获得更好的生物洞察和预测.

主要方法:

• 开发了一个使用自然语言处理 (NLP) 来从文献中提取基因规则及其相关的生物背景的框架.
• 给这些基因规则分配了量化,上下文依赖的权重.
• 综合文献衍生信息与实验数据,使用基于大型语言模型的方法.

主要成果:

• 重建了特定上下文的GRNs,有效地捕捉疾病生物学,显示了与各种疾病中转录组学数据的强烈相关性.
• 通过使用上下文信息,在药物标预测任务中表现出更高的准确性.
• 成功自动化了一个普通微分方程模型的构建,用于乳腺癌特定的信号网络.

结论:

• 对基因调节网络的上下文依赖分析对于准确的生物预测至关重要.
• 开发的NLP框架有效地从文献中挖掘了基因调节-上下文关联.
• 这种方法简化了生物相关数学模型的组装,并加强了药物发现工作.