Как молекулы влияют на клетки: открытие контрастного феномолекулярного поиска Фила Фрадкина

В этом докладе Фил Фрадкин представляет свой доклад «Как молекулы влияют на клетки: открытие возможностей контрастного феномолекулярного поиска» на семинаре серии «Основные модели для биологии», организованном компанией GenBio AI. Он представляет MolPhenix — модель, которая сопоставляет молекулярные структуры с экспериментами феномной микроскопии с использованием контрастного обучения. Эта модель значительно повышает точность молекулярного поиска, открывая возможности для поиска лекарственных препаратов с помощью ИИ. Аннотация: Прогнозирование молекулярного влияния на клеточную функцию является ключевой задачей при разработке терапевтических препаратов. Феномные эксперименты, предназначенные для изучения клеточной морфологии, используют методы, основанные на микроскопии, и демонстрируют высокопроизводительное решение для выявления молекулярного влияния на клетку. В данной работе мы изучаем совместное латентное пространство между молекулярными структурами и экспериментами феномной микроскопии, сопоставляя парные образцы с использованием контрастного обучения. В частности, мы изучаем проблему контрастного феномолекулярного поиска (Contrastive PhenoMolecular Retrieval), которая заключается в идентификации молекулярной структуры с нулевого выстрела, обусловленной феномическими экспериментами. Мы оцениваем сложности мультимодального обучения феномике и молекулярным модальностям, таким как экспериментальный пакетный эффект, возмущения неактивных молекул и кодирование концентрации возмущений. Мы демонстрируем улучшенный мультимодальный поиск с помощью (1) унимодальной предобученной феномической модели, (2) новой модели потерь с учетом межвыборочного сходства и (3) моделей, обусловленных представлением молекулярной концентрации. Следуя этому рецепту, мы предлагаем MolPhenix, модель молекулярной феномики. MolPhenix использует предобученную феномическую модель для демонстрации значительного прироста производительности в зависимости от концентраций возмущений, молекулярных структур и порогов активности. В частности, мы продемонстрировали 8,1-кратное улучшение молекулярного извлечения активных молекул с нулевого уровня по сравнению с предыдущим уровнем техники, достигнув 77,33% при точности 1% лучших результатов. Эти результаты открывают возможности для применения машинного обучения в виртуальном феномном скрининге, что может значительно улучшить приложения для разработки лекарственных препаратов. Статья: https://x.genbio.ai/UmrhG9 Блог: https://genbio.ai/how-molphenix-impac... Подпишитесь на нас: X: https://x.com/genbioai Linkedin:   / genbioai