Nature子刊：华中科技大学薛宇/彭迪团队开发结合深度学习和大语言模型的组学解读工作流

撰文丨王聪

编辑丨王多鱼

排版丨水成文

对海量组学数据进行分子全景分析，可识别细胞内的调控网络，但需要机制性阐释和实验验证。

2026 年 1 月 8 日，华中科技大学薛宇/彭迪团队在 Nature 子刊 Nature Biomedical Engineering 上发表了题为：A deep learning and large language hybrid workflow for omics interpretation 的研究论文。

该研究结合深度学习（ Deep Learning ）与大语言模型（ Large Language Model ）推理能力，开发了一个名为LyMOI的混合组学解读工作流，利用 LyMOI，研究团队 拓展了对自噬调控因子的认知，并发现新型抗癌疗法。

在这项最新研究中，研究团队结合深度学习（Deep Learning）与大语言模型（Large Language Model）推理能力，开发了名为LyMOI的混合组学解读工作流。

该工作流整合 GPT-3.5 进行生物知识推理，并采用基于图卷积网络（graph convolutional network，GCN）的大型图模型（Large Graph Model）。该图模型融合进化保守的蛋白质相互作用，通过分层微调技术从多组学数据中预测特定情境的分子调控因子。GPT-3.5 随后生成机器思维链（Chain-of-Thought，CoT），对其在生物学系统中的功能进行机制性阐释。

以自噬（autophagy）过程为重点，LyMOI 系统解读了 1.3TB 的转录组、蛋白质组及磷酸化蛋白质组数据，拓展了对自噬调控因子的认知。该研究还显示，LyMOI 精准识别出两种人类癌蛋白CTSL和FAM98A，它们能在抗肿瘤剂双硫仑（DSF）处理下增强自噬效应。体外实验表明，沉默这两个基因可削弱 DSF 介导的自噬并抑制癌细胞增殖。值得注意的是，联合使用 DSF 与 CTSL 特异性抑制剂 Z-FY-CHO（该抑制剂曾用于抑制 SARS-CoV-2 感染），可显著抑制体内肿瘤生长。

论文链接：

https://www.nature.com/articles/s41551-025-01576-5