Investigadores han desarrollado ProteinTalks, un modelo de célula virtual impulsado por inteligencia artificial diseñado para acelerar el descubrimiento de fármacos in silico. El modelo utiliza extensos datos proteómicos resueltos en el tiempo de líneas celulares de cáncer de mama perturbadas para predecir la eficacia de los fármacos e identificar posibles combinaciones de fármacos.
Central para ProteinTalks es un nuevo marco de preentrenamiento que aprende representaciones latentes dinámicas transferibles a partir de trayectorias proteómicas temporales. El equipo generó más de 38 millones de mediciones temporales de la abundancia de proteínas. Al modelar las respuestas proteicas a diversas perturbaciones, el modelo puede predecir la eficacia de los fármacos, descubrir nuevas combinaciones de fármacos, investigar los mecanismos de resistencia a los fármacos, estratificar las respuestas de los pacientes y priorizar los candidatos a fármacos para organoides de pacientes.
El modelo demuestra una robusta transferibilidad, extendiendo sus capacidades predictivas más allá de las líneas celulares a organoides derivados de pacientes y biopsias clínicas, superando constantemente las implementaciones de referencia. Los datos proteómicos brutos de espectrometría de masas están disponibles a través de iProX (IPX0007409000), y la matriz de proteínas PTDS y los recursos asociados son accesibles a través de db.prottalks.com para uso académico y no comercial. Fuentes de datos adicionales incluyen la Kyoto Encyclopedia of Genes and Genomes, Metascape, STRING e Ingenuity Pathway Analysis. Los códigos de análisis de datos del proyecto están disponibles en GitHub en https://github.com/guomics-lab/PTV-1.
Leer la cobertura original
💬 Comentarios
📜 Política de comentarios