MuSL：一种多模态深度学习方法，用于从序列数据、转录组数据和网络数据中泛化预测合成致死性

《IEEE Journal of Biomedical and Health Informatics》：MuSL: Multimodal deep learning for generalizable prediction of synthetic lethality from sequence, transcriptomic, and network data

摘要：

合成致死性（Synthetic Lethality, SL）为识别选择性抗癌靶点提供了一个有前景的范式。然而，许多计算SL预测方法依赖于手工制作的表达摘要或单一数据模式，这限制了它们直接从原始表达谱中捕捉精细的基因间依赖模式以及泛化到未见过的基因的能力。我们提出了MuSL，这是一个多模态深度学习框架，它整合了转录组直方图、统计表达特征和蛋白质-蛋白质相互作用（Protein-Protein Interaction, PPI）网络来进行SL预测。在MuSL中，来自批量或单细胞数据的基因对表达谱被转换为二维直方图，使得卷积神经网络能够直接从原始表达图中学习到共表达丢失和互斥性等分布模式。一个基于ESM2蛋白质嵌入初始化的PPI网络的图分支捕获了互补的拓扑和序列信息先验，而统计分支提供了相同转录组谱的显式低维描述符。这些模式通过对比学习对齐，并通过交叉注意力和自适应门控进行整合。在随机、传递和归纳评估设置中，MuSL始终优于强大的基线模型，并且在测试对包含部分或完全未见过的基因时仍然表现出鲁棒性。这些结果支持将原始表达图和序列信息网络先验的多模态整合作为一种有效的通用SL预测策略。源代码和数据集可在（https://github.com/JieZheng-ShanghaiTech/MuSL）获取。