論文の概要: scGSDR: Harnessing Gene Semantics for Single-Cell Pharmacological Profiling
- arxiv url: http://arxiv.org/abs/2502.01689v1
- Date: Sun, 02 Feb 2025 15:43:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:57:12.777097
- Title: scGSDR: Harnessing Gene Semantics for Single-Cell Pharmacological Profiling
- Title（参考訳）: scGSDR: シングルセル薬理学的プロファイリングのための遺伝子セマンティクスのハーネス化
- Authors: Yu-An Huang, Xiyue Cao, Zhu-Hong You, Yue-Chao Li, Xuequn Shang, Zhi-An Huang,
- Abstract要約: scGSDRは、細胞状態と遺伝子シグナル伝達経路の知識に基づく2つの計算パイプラインを統合するモデルである。
scGSDRは、遺伝子セマンティクスを組み込んで予測性能を高め、解釈可能性モジュールを使用する。
モデルはシングルドラッグの予測からドラッグの組み合わせを含むシナリオまで拡張された。
- 参考スコア（独自算出の注目度）: 5.831554646284266
- License:
- Abstract: The rise of single-cell sequencing technologies has revolutionized the exploration of drug resistance, revealing the crucial role of cellular heterogeneity in advancing precision medicine. By building computational models from existing single-cell drug response data, we can rapidly annotate cellular responses to drugs in subsequent trials. To this end, we developed scGSDR, a model that integrates two computational pipelines grounded in the knowledge of cellular states and gene signaling pathways, both essential for understanding biological gene semantics. scGSDR enhances predictive performance by incorporating gene semantics and employs an interpretability module to identify key pathways contributing to drug resistance phenotypes. Our extensive validation, which included 16 experiments covering 11 drugs, demonstrates scGSDR's superior predictive accuracy, when trained with either bulk-seq or scRNA-seq data, achieving high AUROC, AUPR, and F1 Scores. The model's application has extended from single-drug predictions to scenarios involving drug combinations. Leveraging pathways of known drug target genes, we found that scGSDR's cell-pathway attention scores are biologically interpretable, which helped us identify other potential drug-related genes. Literature review of top-ranking genes in our predictions such as BCL2, CCND1, the AKT family, and PIK3CA for PLX4720; and ICAM1, VCAM1, NFKB1, NFKBIA, and RAC1 for Paclitaxel confirmed their relevance. In conclusion, scGSDR, by incorporating gene semantics, enhances predictive modeling of cellular responses to diverse drugs, proving invaluable for scenarios involving both single drug and combination therapies and effectively identifying key resistance-related pathways, thus advancing precision medicine and targeted therapy development.
- Abstract（参考訳）: 単一細胞シークエンシング技術の台頭は、薬剤耐性の探索に革命をもたらし、精密医療の進歩における細胞不均一性の重要な役割を明らかにした。
既存のシングルセル薬物応答データから計算モデルを構築することにより、その後の臨床試験において、薬物に対する細胞応答を迅速にアノテートすることができる。
そこで我々は,細胞状態と遺伝子シグナル伝達経路の知識を基盤とした2つの計算パイプラインを統合するモデル scGSDR を開発した。
scGSDRは、遺伝子セマンティクスを組み込んで予測性能を高め、薬剤抵抗性表現型に寄与する主要な経路を識別するために解釈可能性モジュールを使用する。
11の薬物を対象とする16の実験を含む広範囲な検証では、バルクシークまたはscRNAシークデータを用いて訓練し、高いAUROC、AUPR、F1スコアを達成した場合、scGSDRの予測精度が優れていた。
モデルはシングルドラッグの予測からドラッグの組み合わせを含むシナリオまで拡張された。
既知の薬物標的遺伝子の経路を利用して、scGSDRの細胞経路の注意スコアが生物学的に解釈可能であることを発見した。
BCL2, CCND1, AKT family, PIK3CA for PLX4720, ICAM1, VCAM1, NFKB1, NFKBIA, RAC1 for Paclitaxelなどの予測における上位遺伝子について検討した。
結論として、遺伝子セマンティクスを取り入れたscGSDRは、様々な薬物に対する細胞応答の予測的モデリングを強化し、単一薬物と組み合わせ療法の両方にかかわるシナリオに重要でないことを証明し、主要な耐性関連経路を効果的に同定し、精度の高い医療と標的治療の開発を促進する。
関連論文リスト
- GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。
このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。
また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
論文 参考訳（メタデータ） (2025-02-11T05:39:49Z) - drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。
drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。
本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
論文 参考訳（メタデータ） (2024-05-14T22:16:52Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Season combinatorial intervention predictions with Salt & Peper [6.180460491095155]
干渉は複雑な生物学的システムの研究において重要な役割を担っている。
薬物発見において、遺伝子介入は治療対象の特定と薬物の作用機構の理解の両方の中心となっている。
CRISPRの進歩と、転写学のようなゲノム解析の拡散により、新しい課題は、並行的な遺伝的介入の広大な空間をナビゲートすることである。
論文 参考訳（メタデータ） (2024-04-25T12:48:11Z) - Multiscale Topology in Interactomic Network: From Transcriptome to
Antiaddiction Drug Repurposing [0.3683202928838613]
米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。
本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
論文 参考訳（メタデータ） (2023-12-03T04:01:38Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - TransCDR: a deep learning model for enhancing the generalizability of
cancer drug response prediction through transfer learning and multimodal data
fusion for drug representation [4.740134482580255]
薬物表現の学習にトランスファーラーニング(TransCDR)を導入し,薬物や細胞株のマルチモーダルな特徴を自己認識機構により融合させる。
我々は,CDR予測モデルの新規な(目に見えない)複合足場と細胞線クラスターへの一般化を系統的に評価した最初の人である。
TransCDRは8つの最先端モデルよりも優れた一般化性を示している。
論文 参考訳（メタデータ） (2023-11-17T14:55:12Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - Granger causal inference on DAGs identifies genomic loci regulating
transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。
我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文 参考訳（メタデータ） (2022-10-18T21:15:10Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳（メタデータ） (2021-10-14T13:28:02Z) - Interpretable Drug Synergy Prediction with Graph Neural Networks for
Human-AI Collaboration in Healthcare [23.151336811933938]
本研究は,遺伝子と薬物の結合予測における遺伝子と薬物の制御関係を組み込むディープグラフニューラルネットワーク(IDSP)を提案する。
idspは遺伝子と薬物ノードの関係に基づいてエッジの重みを自動的に多層パーセプトロン(mlp)で学習し、インダクティブな方法で情報を集約する。
46種類のコアがんシグナル伝達経路の遺伝子と、NCIアルマナックの薬物併用スクリーニングデータからの薬物併用によるシグナルネットワーク上でIDWSPをテストします。
論文 参考訳（メタデータ） (2021-05-14T22:20:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。