Precious2GPT: la combinación de transformador multiómico preentrenado y difusión condicional para la generación artificial de muestras multi-ómicas, multi-especies y multi-tejidos

La generación de datos sintéticos en ómicas imita los datos biológicos del mundo real, proporcionando alternativas para el entrenamiento y evaluación de herramientas de análisis genómico, controlando la expresión diferencial y explorando la arquitectura de datos. Anteriormente desarrollamos Precious1GPT, un transformador multimodal entrenado con datos transcriptómicos y de metilación, junto con metadatos, para predecir la edad biológica e identificar objetivos terapéuticos de doble propósito potencialmente implicados en el envejecimiento y enfermedades asociadas a la edad. En este estudio, presentamos Precious2GPT, una arquitectura multimodal que integra modelos de Difusión Condicional (CDiffusion) y transformador preentrenado multiómico solo decodificador (MoPT) entrenados con datos de expresión génica y metilación del ADN. Precious2GPT sobresale en la generación de datos sintéticos, superando a Redes Generativas Antagónicas Condicionales (CGANs), CDiffusion y MoPT. Demostramos que Precious2GPT es capaz de generar datos sintéticos representativos que capturan información específica de tejido y edad a partir de datos reales transcriptómicos y metilómicos. Notablemente, Precious2GPT supera a otros modelos en precisión de predicción de edad utilizando los datos generados, y puede generar datos para edades superiores a 120 años. Además, mostramos el potencial de usar este modelo para identificar firmas génicas y posibles objetivos terapéuticos en un estudio de caso de cáncer colorrectal.