mosGraphGen:一个创新的工具来生成多omics信号图表,以促进整合性和可解释的图表AI模型开发

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 人工智能在医学中的应用

背景情况:

• 多omics数据 (基因组学,表观基因组学,转录基因组学,蛋白质组学) 提供了关于细胞信号的全面观点,但难以整合和解释.
• 图形AI模型非常适合用于多omics数据集成,因为它们能够代表生物网络.
• 将多omics数据转换为具有生物意义的图表是Graph AI的一个重大障碍.

研究的目的:

• 开发一个新的工具,mosGraphGen,用于自动生成多omics信号图 (mos-graphs).
• 促进对多omics数据的Graph AI模型的直接应用和评估.
• 简化从复杂的生物数据集中挖掘关键疾病目标和信号通路的过程.

主要方法:

• mosGraphGen将来自单个样本的多omics数据映射到预定义的,生物学上有意义的信号网络中.
• 数据规范化是通过汇总测量结果并将其与参考基因组对齐来完成的.
• 该工具生成样本特定的mos-graph,即可输入到Graph AI模型中.

主要成果:

• mosGraphGen成功地从TCGA和阿尔茨海默病 (AD) 多omics数据集生成了mos图.
• 生成的mos图允许AI模型开发人员直接使用它进行分析.
• mosGraphGen的开源可用性促进了更广泛的采用和研究.

结论:

• mosGraphGen有效地解决了为图形AI分析准备多omics数据的挑战.
• 该工具标准化了信号图的生成,提高了多omics数据的可解释性.
• mosGraphGen是旨在利用人工智能从复杂的奥米克数据中进行生物发现的研究人员的宝贵资源.