Nature子刊：華中科技大學薛宇/彭迪團隊開發(fā)結(jié)合深度學習和大語言模型的組學解讀工作流

撰文丨王聰

編輯丨王多魚

排版丨水成文

對海量組學數(shù)據(jù)進行分子全景分析，可識別細胞內(nèi)的調(diào)控網(wǎng)絡(luò)，但需要機制性闡釋和實驗驗證。

2026 年 1 月 8 日，華中科技大學薛宇/彭迪團隊在 Nature 子刊 Nature Biomedical Engineering 上發(fā)表了題為：A deep learning and large language hybrid workflow for omics interpretation 的研究論文。

該研究結(jié)合深度學習（ Deep Learning ）與大語言模型（ Large Language Model ）推理能力，開發(fā)了一個名為LyMOI的混合組學解讀工作流，利用 LyMOI，研究團隊 拓展了對自噬調(diào)控因子的認知，并發(fā)現(xiàn)新型抗癌療法。

在這項最新研究中，研究團隊結(jié)合深度學習（Deep Learning）與大語言模型（Large Language Model）推理能力，開發(fā)了名為LyMOI的混合組學解讀工作流。

該工作流整合 GPT-3.5 進行生物知識推理，并采用基于圖卷積網(wǎng)絡(luò)（graph convolutional network，GCN）的大型圖模型（Large Graph Model）。該圖模型融合進化保守的蛋白質(zhì)相互作用，通過分層微調(diào)技術(shù)從多組學數(shù)據(jù)中預測特定情境的分子調(diào)控因子。GPT-3.5 隨后生成機器思維鏈（Chain-of-Thought，CoT），對其在生物學系統(tǒng)中的功能進行機制性闡釋。

以自噬（autophagy）過程為重點，LyMOI 系統(tǒng)解讀了 1.3TB 的轉(zhuǎn)錄組、蛋白質(zhì)組及磷酸化蛋白質(zhì)組數(shù)據(jù)，拓展了對自噬調(diào)控因子的認知。該研究還顯示，LyMOI 精準識別出兩種人類癌蛋白CTSL和FAM98A，它們能在抗腫瘤劑雙硫侖（DSF）處理下增強自噬效應(yīng)。體外實驗表明，沉默這兩個基因可削弱 DSF 介導的自噬并抑制癌細胞增殖。值得注意的是，聯(lián)合使用 DSF 與 CTSL 特異性抑制劑 Z-FY-CHO（該抑制劑曾用于抑制 SARS-CoV-2 感染），可顯著抑制體內(nèi)腫瘤生長。

論文鏈接：

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