多模式组织感知图形神经网络用于in silico遗传发现

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 了解组织特异性基因功能对于识别药物点至关重要.
• 当前的计算方法往往忽略了上下文依赖的基因相互作用.

研究的目的:

• 介绍Mahi,一个图形神经网络框架,用于学习上下文感知基因表示.
• 在组织特定的环境中整合多模态分子特征.
• 改善基因基本性和扰乱反应的预测.

主要方法:

• 开发了一个可扩展和可解释的图形神经网络 (GNN) 框架,命名为 Mahi.
• 综合色氨酸可访问性,转录因子结合,基因组修饰和蛋白质结构数据.
• 在组织特定的网络拓上进行预训练,然后在290种组织/细胞类型中集成多模式特征.

主要成果:

• 马希学习了情境感知基因嵌入,在预测1,183个癌症细胞系的基因本质性方面超过了基于序列的模型.
• 学习的嵌入空间揭示了组织特定的基因组织和上下文依赖的角色.
• 使用Mahi模拟的基因淘汰干扰确定了与疾病相关的途径和潜在的治疗点.

结论:

• 马希为建模组织特异性基因功能和扰动反应提供了基础.
• 该框架可用于精密医学,药物发现和识别上下文依赖的遗传脆弱性.
• 所有的学习嵌入和Mahi框架都是公开的.