在Brugia malayi和Onchocerca volvulus中通过机器学习推断基本基因,以及发现新干预措施的含义

科学领域:

• 基因组学和生物信息学
• 寄生虫学的寄生虫学
• 分子生物学分子生物学

背景情况:

• 像Caenorhabditis elegans和Drosophila melanogaster这样的模型生物已经产生了广泛的功能基因组数据,使得对生存至关重要的基本基因的识别成为可能.
• 机器学习 (ML) 管道已经在模型生物中使用多原子数据预测基本基因方面取得了成功.
• 包含模型和非模型生物的Ecdysozoa族群,为测试基于ML的基本基因预测的跨物种适用性提供了机会.

研究的目的:

• 调查基于ML的管道的有效性,用于预测Nematoda类的不同物种中必需的基因.
• 在模型生物Caenorhabditis elegans和寄生性线虫Brugia malayi和Onchocerca volvulus之间交叉预测必要的基因.
• 在寄生性线虫中对潜在的药物标识进行预测和优先考虑预测的基本基因.

主要方法:

• 利用机器学习管道,通过分析DNA,RNA,蛋白质和细胞数据的特征来预测基本基因.
• 在Caenorhabditis elegans和Brugia malayi之间进行了基本基因的交叉预测,以及Onchocerca volvulus.
• 根据它们的跨物种预测得分和生物相关性,对预测的基本基因进行排名和优先排序.

主要成果:

• ML管道成功地在Caenorhabditis elegans和寄生性线虫之间交叉预测了基本基因.
• 排名很高的基本基因与关键的生物学途径有关,包括核糖体生物发生,翻译和RNA处理.
• 这些优先的基因在关键组织 (如生殖线,性腺,皮下和神经) 中表达的水平很高.

结论:

• 开发的in silico工作流显示了使用模型生物的数据预测非模型寄生虫线虫中的基本基因的潜力.
• 这种计算方法可以加速在寄生生物中发现必需基因的发现.
• 已识别的基本基因和途径代表了未来实验验证的有希望的候选人,作为针对 filarial 线虫的药物标.