Hierarchical multi-omics data integration and modeling predict cell-specific chemical proteomics and drug responses

トランスクリプトミクスは、システム薬理学における化合物スクリーニングに威力を発揮するが、生物学的プロセスの包括的な姿を捉えることはできないかもしれない。一方、プロテオミクスは、タンパク質の発現や翻訳後修飾の変化を測定することで、分子機能をより完全に把握できる可能性がありますが、高価であり、プロテオミクスのカバー範囲が限られているため、データの欠損が大きいという問題が発生します。これらの問題に対処するため、我々は、トランスクリプトミクスデータを用いて未特定細胞株の化学プロテオミクスプロファイルを予測し、RNAからタンパク質への情報伝達を明示的にモデル化する深層学習モデル「TransPro」を開発しました。

まとめ

薬物による表現型は、生体システムの様々なレベルにわたる生体分子間の相互作用によってもたらされる。そのため、薬理作用の特性評価には、マルチオミクスデータの統合が必要です。プロテオミクスは、トランスクリプトミクスよりも疾患メカニズムやバイオマーカーをより直接的に反映する可能性がありますが、データの希少性や欠損値の多さから、これまであまり活用されていませんでした。そのため、薬物によって誘発されるプロテオームパターンを推論する計算機的手法があれば、システム薬理学の進歩が期待できる。特性不明の化学物質によって撹乱された特性不明の細胞や組織タイプのプロテオームプロファイルと対応する表現型を予測するために、我々はエンドツーエンドの深層学習フレームワークを開発しました： TransProを開発しました。TransProは、分子生物学のセントラルドグマに沿って、マルチオミクスデータを階層的に統合しました。TransProによる抗がん剤感受性と薬剤副作用の予測に関する詳細な評価により、TransProの精度は実験データと同程度であることが明らかになりました。したがって、TransProは、プロテオミクスデータのインピュテーションやシステム薬理学における化合物スクリーニングを促進する可能性があります。