基于人工智能驱动的多组学整合用于因果基因型-环境-表型关系的多尺度预测建模
人工智能
2025-01-22 v1
摘要
尽管单细胞多组学数据丰富，但预测人体内新型遗传和化学扰动的后果仍然具有挑战性。它需要了解所有生物学层面的分子相互作用，包括疾病模型和人类。当前的机器学习方法主要建立基因型和表型之间的统计相关性，但难以识别具有生理意义的因果因素，限制了其预测能力。预测建模中的关键挑战包括标记数据的稀缺性、跨不同领域的泛化以及从相关性中分离因果关系。鉴于多组学数据整合的最新进展，我们提出了一种新的、受生物学启发的、基于人工智能驱动的多尺度建模框架来解决这些问题。该框架将整合跨生物学层面、生物体层级和物种的多组学数据，以预测各种条件下的因果基因型-环境-表型关系。受生物学启发的人工智能模型可能为当前未满足的医疗需求识别新的分子靶点、生物标志物、药物制剂和个性化药物。
引用
@article{arxiv.2407.06405,
title = {AI-driven multi-omics integration for multi-scale predictive modeling of causal genotype-environment-phenotype relationships},
author = {You Wu and Lei Xie},
journal= {arXiv preprint arXiv:2407.06405},
year = {2025}
}