赋能化学结构：用于可扩展表型虚拟筛选的生物学洞察
定量方法
2026-03-17 v1 人工智能
机器学习
摘要
动机：可扩展识别活性化合物是当代药物发现的关键。该过程面临权衡：结构筛选具有可扩展性，但缺乏生物学背景；高内容表型谱系提供深入的生物学洞察，但资源密集。主要挑战是从噪声数据中提取稳健的生物学信号，并编码为无需推断时生物学数据的表示。结果：本研究提出了DECODE（DEcomposing Cellular Observations of Drug Effects），一个弥合这一鸿沟的框架，通过赋能化学表示内置生物学语义，实现基于结构的类生物学概貌。DECODE利用有限的转录组和形态学数据作为训练监督信号，使从化学结构中提取测量不变的生物学指纹，并对实验噪声进行显式过滤。我们的评估表明，DECODE在零样态设置下，相较于化学基线在作用机制预测（MOA）中实现20%以上的相对改进。此外，该框架在外部验证中对新型抗癌药物的命中率提高了6倍。可获得性与实现：DECODE的代码和数据集已提供于 https://github.com/lian-xiao/DECODE。
引用
@article{arxiv.2603.15006,
title = {Empowering Chemical Structures with Biological Insights for Scalable Phenotypic Virtual Screening},
author = {Xiaoqing Lian and Pengsen Ma and Tengfeng Ma and Zhonghao Ren and Xibao Cai and Zhixiang Cheng and Bosheng Song and He Wang and Xiang Pan and Yangyang Chen and Sisi Yuan and Chen Lin},
journal= {arXiv preprint arXiv:2603.15006},
year = {2026}
}