Изследователи разработиха ProteinTalks, виртуален клетъчен модел, задвижван от изкуствен интелект, предназначен да ускори in silico откриването на лекарства. Моделът използва обширни, времево-разрешени протеомни данни от смутени клетъчни линии на рак на гърдата, за да предскаже ефикасността на лекарствата и да идентифицира потенциални лекарствени комбинации.
В основата на ProteinTalks е нова рамка за предварително обучение, която научава преносими динамични латентни представяния от времеви протеомни траектории. Екипът генерира над 38 милиона времеви измервания на протеиновото изобилие. Чрез моделиране на протеиновите отговори на различни смущения, моделът може да предскаже ефикасността на лекарствата, да открие нови лекарствени комбинации, да проучи механизмите на лекарствената резистентност, да стратифицира отговорите на пациентите и да приоритизира кандидатите за лекарства за пациентски органоиди.
Моделът демонстрира стабилна преносимост, разширявайки своите предсказуеми възможности отвъд клетъчните линии към органоиди, получени от пациенти, и клинични биопсии, последователно надминавайки референтните реализации. Суровите мас-спектрометрични протеомни данни са достъпни чрез iProX (IPX0007409000), а протеиновата матрица PTDS и свързаните с нея ресурси са достъпни чрез db.prottalks.com за академични и не-търговски цели. Допълнителни източници на данни включват Kyoto Encyclopedia of Genes and Genomes, Metascape, STRING и Ingenuity Pathway Analysis. Кодовете за анализ на данните на проекта са достъпни в GitHub на https://github.com/guomics-lab/PTV-1.
Прочетете оригиналното отразяване
💬 Коментари
📜 Правила за коментари