IA predice respuesta celular a fármacos y genes con precisión sin precedentes

Hallazgo Principal

Un equipo de investigadores, liderado por el profesor Li Min de la Universidad Central del Sur y en colaboración con el investigador Yao Jianhua del Laboratorio de Ciencias de la Vida de Tencent, ha desarrollado UniPert-G2CP, un innovador marco de modelado de perturbaciones celulares. Este avance permite conectar el cribado de perturbaciones genéticas y químicas, prediciendo con una precisión sin precedentes la respuesta celular a fármacos y genes.

La investigación, publicada en la prestigiosa revista Cell, representa un paso significativo hacia la construcción de "células virtuales" capaces de simular y predecir el comportamiento de sistemas vivos bajo diversas intervenciones moleculares, abriendo nuevas v��as para el descubrimiento de fármacos y la comprensión de mecanismos biológicos.

Contexto

En la era actual, con la explosión de datos biológicos a gran escala y el rápido progreso de la inteligencia artificial, la creación de células virtuales se ha posicionado como una frontera crucial en la intersección de estas dos disciplinas. Estas células virtuales requieren la integración de información biológica multiescala y multimodal para simular con precisión las respuestas celulares. Sin embargo, la heterogeneidad de las respuestas en contextos celulares complejos y la brecha entre las perturbaciones genéticas y químicas han planteado desafíos significativos para el modelado preciso.

Detalles del Estudio

Para superar estos obstáculos, el equipo propuso UniPert-G2CP. La primera fase, UniPert, se enfoca en construir un espacio de representación unificado que conecta factores de perturbación genética y química. Esto se logra fusionando información molecular multimodal de macromoléculas proteicas y micromoléculas compuestas, utilizando técnicas avanzadas como el aprendizaje contrastivo, redes neuronales gráficas y alineación de secuencias para desentrañar asociaciones biológicas latentes entre diferentes tipos de intervenciones moleculares.

Posteriormente, G2CP aprovecha datos de perturbación genética a gran escala para un preentrenamiento exhaustivo, lo que permite al modelo aprender el conocimiento biológico inherente a estas perturbaciones. A través de un aprendizaje por transferencia de perturbaciones entre dominios, ajustando el modelo con datos de perturbación química, se logra un modelado fenotípico eficiente, crucial para el cribado de fármacos específicos de células.

Las evaluaciones sistemáticas del marco en diversos conjuntos de datos de perturbación celular de doble dominio a gran escala demostraron que UniPert-G2CP puede transferir conocimiento de manera efectiva entre perturbaciones genéticas y químicas. Esto permite predecir con exactitud las respuestas fenotípicas celulares incluso en ausencia de micromoléculas, manteniendo la capacidad de caracterizar patrones de respuesta heterogéneos en distintos contextos celulares y reduciendo la necesidad de grandes volúmenes de datos experimentales para el modelado de perturbaciones químicas.

Implicaciones

Esta investigación rompe con el enfoque tradicional de análisis independiente de datos de cribado genético y químico, estableciendo un marco unificado que va desde la caracterización molecular multimodal hasta la transferencia fenotípica entre dominios. El espacio de representación conjunta de factores de perturbación y fenotipos aprendido por el marco puede apoyar el análisis de los mecanismos de acción de los fármacos y el descubrimiento de posibles asociaciones de dianas, acelerando el desarrollo de nuevas terapias.

UniPert-G2CP proporciona un nuevo paradigma computacional para integrar diferentes tipos de información de intervención molecular y construir células virtuales con una capacidad predictiva robusta. Este avance no solo subraya la contribución de los equipos de investigación chinos en la vanguardia de la IA y las ciencias de la vida, sino que también ofrece métodos computacionales y recursos abiertos valiosos para la investigación global de células virtuales.

Próximos Pasos

• Explorar la aplicación de UniPert-G2CP en el descubrimiento de fármacos para enfermedades específicas.
• Integrar datos de perturbaciones a otras escalas biológicas.
• Desarrollar interfaces y herramientas para facilitar el uso del marco por parte de la comunidad científica.
• Validar el modelo con experimentos in vitro e in vivo adicionales.