Forscher haben ProteinTalks entwickelt, ein durch künstliche Intelligenz (KI) gesteuertes virtuelles Zellmodell, das die In-silico-Arzneimittelforschung beschleunigen soll. Das Modell nutzt umfangreiche, zeitaufgelöste Proteomdaten aus gestörten Brustkrebszelllinien, um die Wirksamkeit von Medikamenten vorherzusagen und potenzielle Medikamentenkombinationen zu identifizieren.
Zentral für ProteinTalks ist ein neues Vortrainings-Framework, das transferierbare dynamische latente Repräsentationen aus zeitlichen Proteomtrajektorien lernt. Das Team generierte über 38 Millionen zeitliche Proteinmessungen. Durch die Modellierung von Proteinreaktionen auf verschiedene Störungen kann das Modell die Wirksamkeit von Medikamenten vorhersagen, neue Medikamentenkombinationen entdecken, Mechanismen der Arzneimittelresistenz untersuchen, Patientenreaktionen stratifizieren und Medikamentenkandidaten für Patientenorganoide priorisieren.
Das Modell demonstriert eine robuste Transferierbarkeit und erweitert seine Vorhersagefähigkeiten über Zelllinien hinaus auf von Patienten abgeleitete Organoide und klinische Biopsien, wobei es Benchmark-Implementierungen durchweg übertrifft. Rohdaten der Massenspektrometrie-Proteomik sind über iProX (IPX0007409000) verfügbar, und die PTDS-Proteinmatrix sowie zugehörige Ressourcen sind unter db.prottalks.com für akademische und nicht-kommerzielle Zwecke zugänglich. Weitere Datenquellen umfassen die Kyoto Encyclopedia of Genes and Genomes, Metascape, STRING und Ingenuity Pathway Analysis. Die Datenanalyse-Codes des Projekts sind auf GitHub unter https://github.com/guomics-lab/PTV-1 verfügbar.
Originale Berichterstattung lesen
💬 Kommentare
📜 Kommentar-Richtlinie