Science：转录组数据集和人工智能模型整合，全面了解细胞状态，校正药物发现框架

Cellarity 是一家通过集成多组学和人工智能建模开发细胞状态校正疗法的生物技术公司，今天宣布在《科学》杂志上发表了一篇开创性的手稿，该手稿阐明了整合先进转录组数据集和人工智能模型以改进药物发现的框架。

Cellarity 是一家通过集成多组学和人工智能建模开发细胞状态校正疗法的生物技术公司，今天宣布在《科学》杂志上发表一篇开创性手稿，该手稿阐明了整合先进转录组数据集和人工智能模型以改进药物发现的框架。

Cellarity 专注于定义和调节细胞状态的通路连接和相互作用，设计针对复杂疾病的新型疗法。该公司已构建一个强大的发现平台，利用高维转录组学以单细胞分辨率绘制这些相互作用的图谱。为该平台开发的可泛化的人工智能模型将化学与疾病生物学联系起来，从而高效地生产能够恢复患病组织细胞功能的药物。该平台的首个候选药物 CLY-124 目前正在进行治疗镰状细胞病的 1 期临床试验评估。

Cellarity 首席数据官 Parul Doshi 表示：“我们相信，全面了解细胞状态将有助于我们开发更优的疗法，从而纠正疾病的根本机制。我们先进的平台使我们能够有效地可视化这种动态，并找到最适合纠正疾病状态的新型干预措施。这篇发表在著名期刊《科学》上的文章描述了我们平台的评估结果，强调了我们成功整合先进转录组学和计算工具，高效发现新型候选疗法的严谨性和独创性。”

《科学》杂志发表的论文提出了一个可重复且可推广的蓝图，旨在将机器学习方法整合到药物研发项目中，以最大限度地发挥药物发现的潜力。该蓝图通过采用由高通量转录组学驱动的主动式实验室在环深度学习框架，解决了传统表型药物筛选的诸多局限性。通过基于实验结果不断优化预测，该框架证明，表型活性化合物的回收率比行业标准方法提高了13至17倍。

近几十年来，药物研发过程一直难以提高成功率。部分原因在于其传统上只关注单一靶点，而疾病通常是由更复杂的相互作用驱动的，而非单一基因突变。该深度学习平台不仅能够分析促进疾病病理生理学的表型关联，还能分析早期候选药物的多药理学考量，因此具有加快药物研发速度、为复杂疾病引入有效新型口服疗法的巨大潜力，”麻省理工学院医学工程与科学特米尔教授、Cellarity 联合创始人兼该出版物合著者 Jim Collins 博士补充道。

开源数据集发布

配合《科学》杂志的发表，Cellarity 发布了涵盖多种数据模式的单细胞数据集，旨在促进社区参与、模型基准测试，并进一步洞察化学扰动下细胞状态的细微差别。该论文中使用的扰动转录组数据集，包含超过 1700 个样本，共计 126 万个单细胞，可用于跨细胞类型药物反应图谱绘制或进一步对扰动预测方法进行基准测试。Cellarity 还发布了单细胞多组学造血图谱，该图谱结合了转录组学、表面受体和染色质可及性，旨在构建这一复杂而重要的生物过程的多层次画像，并用于创建巨核细胞生成和红细胞生成的细粒度特征。第三个数据集记录了巨核细胞 (Mk) 在扰动条件下分化的时间线，可用于分析 Mk 的成熟轨迹、探究时间分辨的药物效应，或支持模型基准测试和训练。对这些重要数据的公开分析可能带来关于细胞动力学的新见解，并为加速全行业药物研发的新方法提供动力。