报 告 人：郑杰，上海科技大学信息科学与技术学院，智能医学信息研究中心联合主任

报告时间：2024年11月7 日 上午10：00  

报告地点：信息科学与工程学院 223会议室

报告摘要: 癌症药物靶点的发现对于癌症精准靶向治疗起到关键作用。合成致死（Synthetic Lethality, SL）是一种通常发生在两个基因之间的遗传相互作用，其定义是对这两个基因的扰动会杀死细胞，但仅对其中一个基因的扰动则不会影响细胞的生存。SL是癌症药物靶点的金矿，因为靶向具有癌症特异性异常基因的SL伙伴基因，可以有选择性地杀死癌细胞而不伤害正常细胞。当前的湿实验筛选方法通常成本高昂，而统计和机器学习方法无法充分利用先验知识或缺乏可解释性。我们开发了一系列使用知识图谱（knowledge graph, KG）、图神经网络以及可解释人工智能（explainable AI, XAI）的深度学习方法来预测SL并理解背后的生物学机制。SynLethDB是我们开发的一个收集了众多SL基因对的综合数据库，包含一个名为SynLethKG的知识图谱。KG4SL是第一个使用KG进行SL预测的方法（ISMB/ECCB 2021）。PiLSL进一步专注于从KGs中学习成对相互作用以预测SL，并具有可解释性（ECCB 2022）。之后，我们提出了KR4SL，它采用基于路径的知识推理来为给定的主要基因排名SL候选伙伴，能够比较清晰地解释SL预测和生物学机制（ISMB/ECCB 2023）。最近，我们对最近几年发表的基于图神经网络的SL预测方法做了系统性的基准测试，总结探讨了这个领域的进展和痛点（Nature Communications 2024）。目前，我们正在结合预训练大型语言模型（例如BERT，GPT）和知识图谱，来增加SL预测的泛化能力和生成自然语言的解释。

报告人简介: 郑杰，上海科技大学信息科学与技术学院，智能医学信息研究中心联合主任

邀请人：卢新国

联系人：卢新国