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

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

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

 

2023, Cell Reports Medicine

Lei Xie Group

 

Abstract

TransPro은 단방향 멀티태스크 딥러닝 모델로, 단백질체 이상과 그에 따른 downstream 효과(약물의 효능과 독성)의 일반화 가능한 표현을 학습

본 연구에서는 측정된 단백질체 프로필이 없는 "새로운 세포주"와, 이전에 세포주 모델에서 실험된 화합물과 구조가 유사하지 않은 "새로운 화합물"을 언급 

- TransPro is a method for predicting chemical-induced, cell line-specific proteomics
- An end-to-end deep learning model predicts drug potencies and side effects
- A multi-omics data integration strategy simulates biological information transmission
- TransPro enables systems pharmacology-oriented compound screening

 

 

TransPro은 
- 화합물 유도 단백질체 프로파일 예측 문제를 다중 출력 회귀 작업,
- 부작용 예측 문제를 다중 출력 분류 작업,
- 약물 반응(IC50) 예측 문제를 회귀 작업으로 정의 

 

 

Results

Model Structure

TransPro의 입력은 세포주 특징으로서 기저 전사체 발현과 화합물 구조 정보를 포함 

1. TransPro은 기저 전사체 프로파일을 임베딩 벡터로 압축한 다음, 이를 transmitter라는 신경망을 통해 저차원 공간의 단백질체 잠재 공간으로 변환

2. 화합물 구조적 특징을 추출하기 위해 TransPro은 그래프 신경망(GNN)을 사용하여 화합물 임베딩을 생성한 후, 기저 세포 기능 임베딩과 화합물 유도 세포 기능 임베딩 간의 차이를 나타내는 화합물별 차이 벡터를 생성하는 모듈로 전달

3. 다중 헤드 어텐션 신경망은 화합물과 세포의 임베딩을 병합(위의 1,2 단계) 하고 화학물질-유전자 상호작용을 모방

4. Transmitter는 전사체 은닉 상태를 단백질체 은닉 상태로 전달

5. 도메인 특정 디코더는 화합물 유도된 은닉 상태를 추출하여 저차원 공간에 인코딩하여 단백질체 및 전사체 예측에 사용 ( Trans dedcoder, prot decoder )

6. 부작용 예측을 위해 MLP 분류기를 사전 학습된 단백질체 은닉 상태에 연결하고, 항암제 민감도를 예측하기 위해 다른 MLP 회귀기 사전 학습된 단백질체 은닉 상태에 연결

 

 

본 연구에서는 TransPro 모델의 성능을 세 가지 시나리오에서 평가 

첫째, 내 분포(ID) 설정은 훈련/검증 데이터와 시험 데이터 사이에 유사한 세포주와 약물

둘째, 분포 밖(OOD) 설정은 훈련 세트의 세포주나 약물이 검증/테스트 세트에 없거나 매우 다른 경우

셋째, 새로운 약물의 OOD 설정에서는 훈련 세트와 구조가 다른 알려지지 않은 화합물을 만났을 때 TransPro의 성능을 평가