Science：利用转录组学的主动学习框架识别疾病表型的调节因子

生物技术公司Cellarity宣布，其一篇阐述如何整合先进转录组数据集与AI模型以改进药物发现框架的论文已在《科学》杂志正式发表。该公司致力于通过整合多组学与AI建模开发细胞状态校正疗法。

Cellarity通过聚焦于定义和调控细胞状态的通路连接与相互作用网络，针对复杂疾病设计新型疗法。公司构建了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图谱。

为该平台开发的通用AI模型将化学与疾病生物学联系起来，从而高效生产能够恢复病变组织细胞功能的药物。从该平台诞生的首个候选药物CLY-124，目前正处于治疗镰状细胞病的I期临床试验评估阶段。

Cellarity首席数据官Parul Doshi表示："我们相信，对细胞状态的全面审视将帮助我们创造能够纠正疾病根本机制的更好疗法。我们先进的平台使我们能够有效可视化这一动态过程，并识别最适合纠正疾病状态的新型干预措施。这篇发表在《科学》杂志上的论文描述了为我们平台提供依据的评估工作，强调了成功整合先进转录组学和计算工具所需的严谨性与独创性，以实现新型候选疗法的高效发现。"

该论文提出了一个可重复且通用的蓝图，用于将机器学习方法整合到药物研发项目中，以最大化发现潜力。该蓝图通过采用由高通量转录组学驱动的、主动的"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。通过根据实验结果持续优化预测，该框架证明其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。

该论文的合著者、Cellarity联合创始人、麻省理工学院医学工程与科学Termeer教授Jim Collins博士补充道："近几十年来，药物发现过程一直在努力提高其成功率。这部分归因于传统上关注单一靶点，而疾病的驱动因素通常比单一基因突变更为复杂。通过分析驱动疾病病理生理学的表型联系以及早期候选物的多药理学考量，这个深度学习平台展现出加速发现进程并为复杂疾病引入有效新型口服疗法的强大潜力。"

开源数据集发布

配合《科学》杂志的论文发表，Cellarity同时发布了涵盖多种数据模式的单细胞数据集，以促进学界参与、模型基准测试，并进一步深入了解化学扰动下细胞状态的细微差别。

一个用于在论文中对Cellarity平台进行基准测试的扰动转录组数据集，包含超过1,700个样本，涵盖126万个单细胞，可用于跨细胞类型的药物反应映射或扰动预测方法的进一步基准测试。

Cellarity还发布了一个结合转录组学、表面受体和染色质可及性的单细胞多组学造血图谱，用于创建这一复杂而必需生物过程的多层画像，该图谱在论文中被用于生成巨核细胞生成和红细胞生成的细粒度特征。

第三个数据集捕获了扰动下巨核细胞分化过程的时间序列，可用于绘制巨核细胞成熟轨迹、探究时间分辨的药物效应，或支持模型基准测试和训练。对这些重要数据进行公开分析，可能会对细胞动力学产生新的见解，并催生加速整个行业药物发现进程的新方法。（生物谷Bioon.com）

参考文献：

Benjamin DeMeo et al, Active learning framework leveraging transcriptomics identifies modulators of disease phenotypes, Science (2025). DOI: 10.1126/science.adi8577.