Un nouvel article de recherche a été publié dans Vieillissement (répertorié par MEDLINE/PubMed comme « Aging (Albany NY) » et « Aging-US » par Web of Science) Volume 15, numéro 11, intitulé « Precious1GPT : apprentissage par transfert multimodal basé sur un transformateur pour le développement d’une horloge vieillissante et l’analyse de l’importance des fonctionnalités pour la découverte de cibles de maladies liées au vieillissement et à l’âge. »
Le vieillissement est un processus complexe et multifactoriel qui augmente le risque de diverses maladies liées à l’âge et il existe de nombreuses horloges de vieillissement qui peuvent prédire avec précision l’âge chronologique, la mortalité et l’état de santé. Ces horloges sont déconnectées et sont rarement adaptées à la découverte de cibles thérapeutiques.
Dans cette étude, les chercheurs Anatoly Urban, Denis Sidorenko, Diana Zagirova, Ekaterina Kozlova, Aleksandr Kalachnikov, Stefan Pushkov, Vladimir Naumov, Viktoria Sarkisova, Geoffrey Ho Duen Leung, Hoi Wing Leung, Frank W. Pun, Ivan V. Ozerov, Alex Aliper, Feng Ren, et Alex Zhavoronkov d’Insilico Medicine proposent une nouvelle approche de l’horloge de vieillissement multimodale, qu’ils appellent Precious1GPT, utilisant des données de méthylation et de transcriptomique pour la prédiction de l’âge interprétable et la découverte de cibles développées à l’aide d’un modèle basé sur un transformateur et d’un apprentissage par transfert pour la classification cas-témoin.
« Pour identifier les biomarqueurs du vieillissement associés aux maladies liées à l’âge, dans le présent travail, nous avons combiné la capacité des horloges du vieillissement à prédire l’âge biologique et ainsi saisir les changements moléculaires accompagnés de la sénescence et notre approche d’identification de cible pour établir des gènes liés au développement. de maladies. »
Bien que la précision du transformateur multimodal soit inférieure dans chaque type de données individuel, par rapport aux horloges de vieillissement spécialisées de pointe basées sur la méthylation ou les données transcriptomiques séparément, il peut avoir une utilité pratique plus élevée pour la découverte de cibles. Cette méthode offre la possibilité de découvrir de nouvelles cibles thérapeutiques qui, hypothétiquement, pourraient être capables d’inverser ou d’accélérer l’âge biologique, fournissant une voie pour la découverte et la validation de médicaments thérapeutiques à l’aide de l’horloge du vieillissement. De plus, les chercheurs ont fourni une liste de cibles prometteuses annotées à l’aide de la plateforme de découverte de cibles industrielles PandaOmics.
« Le modèle basé sur le transformateur a permis l’intégration de données multi-omiques et amélioré la précision de l’horloge du vieillissement, tandis que l’approche d’apprentissage par transfert a facilité l’identification des gènes liés à la maladie dans le contexte du vieillissement. »
