开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

社区首页 >专栏 >一种用于解析细胞动力学和复杂疾病中计算机模拟药物发现的深度生成模型

一种用于解析细胞动力学和复杂疾病中计算机模拟药物发现的深度生成模型

用户10497140

发布于 2025-11-08 18:41:47

发布于 2025-11-08 18:41:47

3760

举报

概述

人类疾病的特点是复杂的细胞动态。单细胞转录组学提供了关键见解，但在详细疾病进展分析和靶向计算机模拟药物干预的计算工具方面仍存在持续差距。在这里，我们介绍了UNAGI，一种定制的深度生成神经网络，用于分析时间序列单细胞转录组数据。该工具捕捉了疾病进展背后的复杂细胞动态，增强了药物扰动建模和筛选。当应用于特发性肺纤维化患者数据集时，UNAGI学习疾病相关的细胞嵌入，使我们更深入地理解疾病进展，并识别潜

文章被收录于专栏：生物医药生物医药

本文系外文翻译，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文系外文翻译，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

#深度生成模型

评论

登录后参与评论

0 条评论

热度

最新

目录

Main

Results
- Overview of UNAGI conceptual framework UNAGI概念框架概述
- Binning IPF samples into tissue fibrosis grades based on the alveolar surface density根据肺泡表面积密度将IPF样本分入组织纤维化等级
- UNAGI identifies varying stromal cell populations across IPF progression
- UNAGI reconstructs temporal dynamics and gene regulatory networks in disease progression
- UNAGI discovers dynamical and hierarchical static markers across disease grades
- UNAGI identifies potential therapeutic pathways for IPF treatmentsUNAGI 识别了针对 IPF 治疗的潜在治疗途径
- UNAGI screens potential drug candidates for IPF treatments
- Experimental validation of in silico drug perturbations via PCLS通过PCLS进行计算机模拟药物扰动的实验验证
- UNAGI unveils COVID-19 cellular dynamics and therapeutic opportunities
- UNAGI enhances cell embedding and disease dynamics understandingUNAGI增强了细胞嵌入和疾病动力学理解
  - Cell embedding benchmarking
  - Disease marker and disease-associated pathway identification benchmarking疾病标志物和疾病相关通路识别基准测试
- UNAGI 在无监督计算机模拟药物扰动方面优于现有方法
  - 计算机模拟药物筛选基准测试
  - 计算机模拟治疗后的预测基准测试
- 通过消融实验评估 UNAGI 模块的贡献
  - 嵌入质量
  - 细胞生成
  - 疾病标志物和疾病相关通路识别

讨论

Methods 方法
- 数据集描述和预处理
  - snRNA-seq IPF 数据集
  - scRNA-seq COVID-19 PBMC 数据集
- 图 VAE-GAN
- 动力学图和底层 GRN 推理
- UNAGI 的迭代训练策略
- Dynamic and hierarchical static markers discovery
- 动态和层次静态标记发现
- In silico perturbation strategies
- 计算机模拟扰动策略
- In silico perturbation scoring
- Therapeutic pathways screening
- Candidate drugs and compounds screening
- Verify UNAGI biomarkers by proteomics data
- PCLS experiments
- Benchmarking
  - Embedding quality
  - Computing efficiency
  - Disease-associated pathway identification
  - Disease marker identification
  - In silico drug screening simulation
  - 数据可用性