不设置🌟有时会收不到公众号内容，code一段时间后会失效,代码见文末
给自己的转录组数据做做药物预测，之前介绍过几篇类似的
这个数据库在我的课题中我一定要用，直接做生信药物预测岂不是方便很多
PRnet是一个创新的深度生成模型，专门用于预测化学扰动对转录反应的影响，具有推动药物发现的重要潜力。PRnet克服了实验性筛选的耗时和高成本问题，能够以高效的方式在体内和体外预测新化学物质在不同细胞系上的基因表达变化，帮助科学家在更广泛的疾病范围内筛选潜在药物。
PRnet的最大亮点在于它可以预测新化合物在多种未曾测试的细胞系和通路中的表现。这一特性源于其三个主要组件：扰动适配器（Perturb-adapter）、扰动编码器（Perturb-encoder）和扰动解码器（Perturb-decoder）。通过输入化学结构及未扰动转录谱，PRnet能够生成预测的转录反应，生成的扰动档案可在体外试验中进一步验证其生物活性。
通过PRnet的体内外筛选，研究人员已经成功验证了其对小细胞肺癌和结直肠癌的潜在候选药物。例如，PRnet在小细胞肺癌的筛选中找到了(+)-Fangchinoline和SEL120-34A HCl作为有前景的候选药物，并通过细胞生存率试验证明了其在低浓度下对癌细胞的抑制效果。这一模型还支持对天然化合物进行筛选，显示出对结直肠癌有效的天然成分如7-Methoxyrosmanol和Mulberrofuran Q。
PRnet的创新性不仅体现在其筛选能力，还在于其整合的扰动档案，它覆盖了88种细胞系和52种组织，涉及多种FDA批准的药物及活性化合物。通过这种整合，PRnet实现了疾病特定药物的推荐流程，例如通过基因集富集分析(GSEA)筛选针对脂肪肝炎、多囊卵巢综合症和炎症性肠病等的候选药物，为个性化治疗提供了新的工具。
总的来说，PRnet通过深度生成建模使得药物筛选更加高效和多样化，为基于基因的治疗方法筛选提供了重要支持，有望在癌症和其他复杂疾病的药物发现中带来突破性进展。
想了解生信的，跟班的，可以看下面👇这个文章
关键词：单细胞测序，生信分析，生物信息学，单细胞RNA污染去除
引文，原文
Qi, X., Zhao, L., Tian, C. et al. Predicting transcriptional responses to novel chemical perturbations using deep generative model for drug discovery. Nat Commun 15, 9256 (2024).
后苔↩️之前贴子的岸号即可霍得之前的代码，今日关键词：241027
