利用转录组学的主动学习框架能够识别影响疾病表型的调控因子

《SCIENCE》：Active learning framework leveraging transcriptomics identifies modulators of disease phenotypes

表型药物筛选因化学空间庞大和实验流程扩展性差受限，本研究设计基于多组学的主动深度学习框架，实现化合物高效筛选。算法在类固醇回忆测试中超越现有模型，使两个血液学项目表型命中率提升13-17倍，结合实验室在环的签名优化步骤，命中率再增一倍并获分子见解。

　　

摘要

表型药物筛选仍受到化学空间庞大以及实验工作流程扩展技术挑战的限制。为克服这些障碍，人们开发了计算方法来优先筛选化合物，但这些方法要么依赖于缺乏通用性的单任务模型，要么依赖于难以优化的基于启发式的基因组代理指标。我们设计了一个基于深度学习的框架，该框架利用组学数据来实现可扩展且可优化的化合物识别，从而能够识别出能够引发复杂表型的化合物。我们的通用算法在经典召回率指标上优于现有最先进模型，在两次血液学发现项目中，表型命中率提高了13到17倍。通过将此算法与实验室反馈机制相结合进行特征优化，我们进一步将命中率提高了两倍，并获得了更深入的分子层面的洞察。总之，我们的框架能够高效地进行表型目标化合物的识别，具有显著加速药物发现的潜力。