- 3 次围观
高通量蛋白质组学使得对健康与疾病状态下分子状态的精细表征成为可能。然而，生物系统本质上是动态的，而用于重建连续蛋白质组变化的方法仍然有限。在此，我们提出蛋白质组速度（proteome velocity）这一框架，利用流匹配（flow matching）从横断面或稀疏采样的蛋白质组学数据中推断连续的蛋白质组轨迹，其中神经网络学习蛋白质组空间中的速度场。蛋白质组速度估计在生物学进程（如疾病进展）过程中，蛋白质丰度变化的快慢及其方向。 在小鼠脓毒症模型中，协变量条件化的速度模型解析了组织特异性和病原体特异性的蛋白质组轨迹，并鉴定出在不同感染途径和器官系统中表现出不同时间激活模式的炎症蛋白。在临床COVID-19血浆蛋白质组中，所推断的轨迹分离为与疾病严重程度相关的不同速度程序。这些结果表明，生成式轨迹模型能够将横断面或稀疏采样的蛋白质组学数据转化为可解释的、蛋白质分辨的分子进程表征。
Johan Malmström 的 ORCID 记录
摘要
信息/历史
指标
预览 PDF
摘要
高通量蛋白质组学已经能够对健康与疾病状态下的分子状态进行细致表征。然而，生物系统持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。
本作品依据 CC-BY-NC-ND 4.0 国际许可协议 发布。
返回顶部
上一项
下一项
发布于 2026 年 7 月 13 日。
下载 PDF
电子邮件
感谢您帮助传播 bioRxiv。
您的电子邮件
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或使用逗号分隔。
您将要发送以下内容的电子邮件
利用流匹配学习蛋白质组疾病轨迹
邮件主题
（您的姓名）已从 bioRxiv 转发一个页面给您
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人类访客，并防止自动垃圾信息提交。
分享
利用流匹配学习蛋白质组疾病轨迹
Erik Hartman， Christofer Karlsson， Johan Malmström
bioRxiv 2026.07.08.737311； doi： https://doi.org/10.64898/2026.07.08.737311
分享本文：
复制
引文工具
利用流匹配学习蛋白质组疾病轨迹
Erik Hartman， Christofer Karlsson， Johan Malmström
bioRxiv 2026.07.08.737311； doi： https://doi.org/10.64898/2026.07.08.737311
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.08.737311v1?rss=1
🏷️ 蛋白质组学 流匹配 疾病轨迹推断 生成式模型 脓毒症 COVID-19
来源出处