近期，望石研发团队在计算生物学领域核心期刊《Computational and Structural Biotechnology Journal》上发表了题为《Using graph-based model to identify cell specific synthetic lethal effects》的研究论文，这是继团队在《Frontiers in Oncology》发表《Paralog-based synthetic lethality: rationales and applications》后，在合成致死（synthetic lethal）领域的又一学术成果。

合成致死（Synthetic Lethality）被认为是一种非常有潜力的精准肿瘤治疗和药物研发策略。通过鉴定细胞特异性的合成致死关系，可以有针对性地开发药物、制定精准治疗策略，甚至发现潜在的靶点。然而，目前的合成致死的预测方法存在一些问题，如数据量有限、对细胞背景差异考虑不足等，难以准确预测细胞特异性的合成致死关系。

为了解决上述问题，望石团队利用人工智能构建了一种新的预测模型。该模型具有以下特点：1）利用细胞特异的多组学数据，通过图编码学习基因之间的关系，提高对细胞特征的捕捉能力；2）利用自注意力机制，自动识别不同数据对预测任务的重要性；3）采用预训练后微调的策略，解决了数据量不足的问题。

 图片1：望石智慧合成致死关系预测模型的技术流程

通过在多个细胞系的数据集上进行测试，该方法的预测性能显著优于现有的基准方法EXP2SL（Expression-based approach to predict Synthetic Lethality in cell lines），表现出较高的预测准确率和良好的细胞可迁移性。同时，研究团队还发现了多个潜在的细胞特异性合成致死关系。该模型框架简单高效，具有较强的可迁移性，易于应用于新的细胞系，具备基础框架模型的潜质，未来可以结合更多细胞特异信息以提高预测性能。

 图片2 ：在三个细胞系下对于模型的准确性、召回率等方面的评测

这一研究为未来合成致死基因对的发现、可行性追踪以及望石开发针对合成致死药物的AIGC分子生成大模型奠定了基础。望石智慧期待与国内外具有相关研究积累的优秀科研团队合作，共同推动该领域的发展。