MPAC:用于从多原子数据中推断路径活动的计算框架

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 系统生物学 系统生物学

背景情况:

• 了解细胞状态需要整合多种欧米数据类型 (基因组,转录组,蛋白质组).
• 多原子数据分析对于疾病研究至关重要,有可能揭示新的患者亚组,并为治疗策略提供信息.
• 现有的方法可能难以调和来自不同欧米分析的复杂和相互矛盾的测量结果.

研究的目的:

• 介绍细胞的多原子路径分析 (MPAC),用于解释多原子数据的计算框架.
• 利用生物通路的知识来推断细胞实体的共识活动水平.
• 根据路径活动对生物样本进行分组,并确定具有临床意义的蛋白质.

主要方法:

• MPAC使用因子图来编码来自生物通路的网络关系.
• 它从多原子数据中推断出蛋白质和途径实体的共识活性水平.
• 转换测试用于消除虚假活动预测,样本按途径活动分组.

主要成果:

• MPAC成功地预测了与头部和部状细胞癌的免疫反应相关的患者亚组,该亚组没有通过单一的奥姆分析来确定.
• 在这个子组中发现的关键蛋白质与临床结果和免疫细胞组成有关.
• 该框架展示了将多原子数据与先前的生物知识整合在一起的力量.

结论:

• MPAC为多原子数据解释提供了强大的计算方法,增强了疾病亚组的发现.
• 该框架通过将途径活动与患者结果联系起来,优先考虑具有潜在临床相关性的蛋白质.
• 该MPAC R包为研究人员提供了先进的多原子分析.