中国科学院深度生成模型PRnet助力药物发现，为233种疾病推荐候选药物
引言
药物发现是一个漫长而昂贵的过程，传统方法依赖于大量的实验筛选，效率低下。近年来，人工智能技术为药物发现带来了新的希望。中国科学院和四川大学华西医院的研究人员开发了一种名为PRnet的深度生成模型，能够预测化学扰动对细胞转录的影响，为药物发现提供了新的工具。
PRnet：一种扰动条件下的深度生成模型
PRnet是一种基于编码器-解码器架构的生成模型，可以根据化合物结构和未受干扰的转录谱预测转录反应。该模型经过大量实验数据的训练，能够有效地推广到新的扰动场景。
PRnet的优势
- 高效预测： PRnet能够预测对从未进行过实验研究的新型化学扰动的转录反应，显著提高了药物发现效率。
- 可解释性： PRnet能够基于基因特征对基因水平的反应进行解释，有助于理解药物的作用机制。
- 可扩展性： PRnet能够处理大量数据，并生成大型扰动谱整合图谱，涵盖多种细胞系、组织和化合物库。
PRnet的应用
- 识别新型化合物： PRnet成功识别并通过实验验证了针对小细胞肺癌和结直肠癌的新型化合物候选物。
- 推荐候选药物： PRnet为233种疾病推荐了候选药物，并得到了先前研究的文献支持。
PRnet的意义
PRnet为药物发现提供了一种强大的工具，能够加速新药研发，并为个性化医疗提供新的可能性。该研究成果发表在《Nature Communications》杂志上，标志着人工智能在药物发现领域取得了重要进展。
结论
PRnet的出现为药物发现带来了新的希望，它能够有效地预测化学扰动对细胞转录的影响，并为各种疾病推荐候选药物。随着人工智能技术的不断发展，PRnet有望进一步提升药物发现效率，为人类健康做出更大的贡献。
参考文献
- Predicting transcriptional responses to novel chemical perturbations using deep generative model for drug discovery. Nature Communications. 2024.
Views: 0