研究人員開發了 ProteinTalks，這是一種由人工智能驅動的虛擬細胞模型，旨在加速體外藥物發現。該模型利用來自擾動的乳腺癌細胞系的廣泛、時間解析的蛋白質組學數據，以預測藥物功效並識別潛在的藥物組合。
ProteinTalks 的核心是新的預訓練框架，它從時間蛋白質組學軌跡中學習可轉移的動態潛在表示。該團隊產生了超過 3800 萬個時間蛋白質豐度測量值。通過模擬蛋白質對各種擾動的反應，該模型可以預測藥物功效、發現新的藥物組合、探查藥物耐藥機制、分層患者反應並優先考慮用於患者類器官的藥物候選物。
該模型展示了穩健的可轉移性，將其預測能力擴展到來自患者的類器官和臨床活檢之外，始終優於基準實施。原始質譜蛋白質組學數據可通過 iProX (IPX0007409000) 獲得，PTDS 蛋白質矩陣和相關資源可通過 db.prottalks.com 訪問，供學術和非商業用途使用。其他數據來源包括京都基因體百科全書、Metascape、STRING 和 Ingenuity Pathway Analysis。該項目的數據分析代碼可在 GitHub 上找到：https://github.com/guomics-lab/PTV-1。
閱讀原始報道
💬 评论
📜 评论政策