实用扰动蛋白质组学虚拟细胞模型

本期编译精选。

摘要

人工智能动力虚拟细胞模型是硅酸盐药物发现1,2,3中的一种新兴方法，但大多数现有方法缺乏大规模、时间解的扰动蛋白质组学数据和可解释的预测治疗反应的框架。在这里，我们从系统扰动的乳腺癌细胞线中产生了超过3800万个时间蛋白质丰度测量数据，并开发出蛋白质Talks,一种虚拟细胞模型。蛋白质Talks的中心是这种大规模活性蛋白质资源与模型架构的协同效应，使得一个新的预训框架能够从时间蛋白质轨迹中学习可转移的活性潜在表达。通过模拟蛋白质如何有条件地对不同的扰动作出反应，这种方法使模型能够发挥功能，成为多种药物发现任务的可操作工具：预测药物功效和协同效应，发现新的药物组合，检测与药物抗药性相联的蛋白质，分解患者的应答，并优先选择患者器官类药物。它还显示出强劲的可转移性，超越细胞线，扩展到由患者衍生的有机体和临床活体检查，其性能一般高于评价协议下选定的基准执行。蛋白质Talks共同展示了可扩展的可转移活性表达的预训如何使可操作，能动态感知，以蛋白质组为基础的虚拟细胞模型在硅化药物发现上得到推进。

这是订阅内容的预览，通过您的机构访问

访问选项

通过您的机构访问

自然杂志和54个其他自然杂志

Get Nature+, 我们最有价值的在线订阅

27 99欧元/30天

随时取消

学多点

中国客户订阅信息

我们有一个专为中国客户服务的网站。请前往naturechina.com订阅此期刊。

转自 natechina.com

（原文共 10 张图片，此处展示前 3 张，更多图片请前往原文查看）

（编译自 Nature；原文