新的进步深度学习算法用于发现多个单核酸多态相互作用,以预测非小细胞肺癌患者的帕克利塔塞尔清除率

科学领域:

• 药物基因组学 药物基因组学
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 帕克利塔塞尔清除量在个体之间有显著差异,影响化疗的有效性.
• 遗传多态性,特别是多个单核酸多态性 (SNP),是这种代谢变异性的关键驱动因素.
• 现有的生物信息学方法不足以分析药物代谢中的复杂SNP相互作用.

研究的目的:

• 开发一种新的,高效的算法,用于分析多个单核酸多态 (SNP) 之间的相互作用.
• 调查SNP组合对非小细胞肺癌患者帕克利塔塞尔清除的影响.
• 提高对影响药物代谢的遗传因素的理解,并个性化化疗.

主要方法:

• 开发了GEP-CSIs数据挖掘算法,这是GEP的高级版本,用于离散变量的线性代数.
• 将GEP-CSI算法应用于非小细胞肺癌患者的帕克利塔塞尔清除数据和遗传多态性.
• 利用初级和验证数据集的分割,对已识别的SNP组合进行可靠的分析和验证.

主要成果:

• 鉴定并验证了1184种三SNP组合,具有最高的健康评分,表明对帕克利塔塞尔清除有重大影响.
• 通过协调其他重要的基因,发现SNP在SERPINA1,ATF3和EGF基因对帕克利塔塞尔清除的间接影响.
• 在FLT1,EGF和MUC16基因中发现了SNP之间的新型相互作用,其蛋白质被证实在蛋白质-蛋白质相互作用网络中相互作用.

结论:

• 成功开发了一种有效的深度学习算法 (GEP-CSI),用于挖掘复杂的SNP交互.
• 该算法利用帕克利塔克塞尔清除数据和个体遗传多态度进行细微分析.
• 这种方法有望改善癌症化疗的理解和个性化.