StateXDiff: состояние-контекстуализованное мультимодальное диффузионное моделирование для предсказания односекундной модификации (воздействия)

StateXDiff представляет собой методику, объединяющую контекстуализацию клеточных состояний и мультимодальные диффузионные модели для точного прогнозирования реакции отдельных клеток на фармакологические воздействия. Метод включает обучение независимого мультимодального представления клеточных состояний через интеграцию транскриптомных профилей и признаков белков, а также использование условной диффузионной модели для генерации специфичных для возмущений изменений. Введены концепции виртуальной мультиклеточной клеточной среды и механизма осведомлённого шаблона лекарственного взаимодействия, обеспечивающие точное представление лекарств и биологической информации. Регуляризация качества осуществляется через триплеты положительных пар белок-доза и отрицательных несоответствий, а также явную оценку надёжности белка. Экспериментально подтверждено улучшение обобщающей способности методики в трёх сложных сценариях: новые линии клеток, неизвестные препараты и комбинированные возмущения.

StateXDiff представляет собой двухэтапную методику мультимодального диффузионного моделирования, ориентированную на прогнозирование односекундных транскрипционных откликов клеток после воздействия препаратов. В первом этапе происходит обучение разделённых представлений для клеток и препаратов, где используются транскриптомы и псевдо-протеомы. Во втором этапе моделируют контекстозависимые реакции препаратов через латентное условное диффузионное моделирование. Для повышения точности прогноза используется механизм качества протеома, который позволяет учитывать надёжность протеомных сигналов и минимизировать ошибки от низкопорядковых межмодальных выводов. Метод также объединяет химические структуры препаратов, данные L1000 и биологические графовые сети, чтобы создать унифицированный шаблон механизма взаимодействия препарата и гена (MDT).

Статья описывает метод StateXDiff, предназначенный для повышения точности предсказания односекундных клеточных модификаций путем интеграции протеиновых и транскриптомных данных. Метод включает сравнение различных подходов к обработке CITE-seq-данных, включая использование только транскрипционной информации, псевдо-протеомику и истинную измеренную протеиновую информацию. Лучшие результаты достигаются при объединении всех типов данных, что подтверждает важность учета протеинового уровня для повышения качества клеточных представлений. Дополнительно исследуется способность метода StateXDiff предсказывать комбинации химических воздействий, демонстрируя высокую эффективность даже в условиях отсутствия наблюдаемых компонентов во время обучения.