这项研究介绍了一种名为 UNAGI 的深度生成模型，旨在通过分析单细胞转录组数据来解析复杂疾病的动态演变过程。该模型融合了变分自编码器 (VAE)、生成对抗网络 (GAN) 和图卷积网络 (GCN)，能够构建反映疾病进展的“细胞动态树”并推断底层的基因调控网络。通过其创新的迭代训练策略，UNAGI 能够精准捕捉与疾病相关的关键生物学标志物和调节因子。此外，该工具支持计算机模拟扰动，可以在无需预实验数据的情况下，从海量药物库中筛选能够逆转致病状态的候选治疗药物。在对特发性肺纤维化 (IPF) 和 COVID-19 的实际应用中，UNAGI 展现出了超越现有基础模型的高效预测能力。总之，这一系统性框架为理解多因素疾病的复杂机制和加速精准医疗中的药物发现提供了强大的计算支撑。
References:
- Zheng Y, Schupp J C, Adams T, et al. A deep generative model for deciphering cellular dynamics and in silico drug discovery in complex diseases[J]. Nature Biomedical Engineering, 2025: 1-26.
