Nature子刊：华中科技大学薛宇/彭迪团队开发结合深度学习和大语言模型的组学解读工作流

撰文丨王聪

编辑丨王多鱼

排版丨水成文

对海量组学数据进行分子全景分析，可识别细胞内的调控网络，但需要机制性阐释和实验验证。

在这项最新研究中，研究团队结合深度学习（Deep Learning）与大语言模型（Large Language Model）推理能力，开发了名为 LyMOI 的混合组学解读工作流。

该工作流整合 GPT-3.5 进行生物知识推理，并采用基于图卷积网络（graph convolutional network，GCN）的大型图模型（Large Graph Model）。该图模型融合进化保守的蛋白质相互作用，通过分层微调技术从多组学数据中预测特定情境的分子调控因子。GPT-3.5 随后生成机器思维链（Chain-of-Thought，CoT），对其在生物学系统中的功能进行机制性阐释。

以自噬（autophagy）过程为重点，LyMOI 系统解读了 1.3TB 的转录组、蛋白质组及磷酸化蛋白质组数据，拓展了对自噬调控因子的认知。该研究还显示，LyMOI 精准识别出两种人类癌蛋白 CTSL 和 FAM98A，它们能在抗肿瘤剂双硫仑（DSF）处理下增强自噬效应。体外实验表明，沉默这两个基因可削弱 DSF 介导的自噬并抑制癌细胞增殖。值得注意的是，联合使用 DSF 与 CTSL 特异性抑制剂 Z-FY-CHO（该抑制剂曾用于抑制 SARS-CoV-2 感染），可显著抑制体内肿瘤生长。

https://www.nature.com/articles/s41551-025-01576-5

设置星标，不错过精彩推文

开放转载

欢迎转发到朋友圈和微信群

 微信加群 

为促进前沿研究的传播和交流，我们组建了多个专业交流群，长按下方二维码，即可添加小编微信进群，由于申请人数较多，添加微信时请备注：学校/专业/姓名，如果是PI/教授，还请注明。

点在看，传递你的品味