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) 提供了一个关于细胞信号的整体观点.
• 整合和解释用于生物标志物发现的多omics数据仍然是一个重大挑战.
• 图形人工智能模型适用于多omics分析,但需要预处理的,具有生物意义的图形数据.

研究的目的:

• 开发一种方法,从原始的多omics数据中生成具有生物意义的多omics信号图.
• 为了简化将图形AI模型应用于多omics数据集的过程.
• 为了促进从综合的多omics数据中识别关键生物标志物.

主要方法:

• 开发了mosGraphGen (多omics信号图生成器) 来创建特定样本的多omics信号图 (mos-graphs).
• 将多omics数据映射到先前存在的多层信号网络上.
• 通过聚合测量和与参考基因组对齐来规范数据.

主要成果:

• 从多omics数据成功生成了mos图表.
• 使用癌症基因组图谱 (TCGA) 和阿尔茨海默病 (AD) 数据集证明了mosGraphGen的实用性.
• 使研究人员能够直接应用和评估图形AI模型.

结论:

• mosGraphGen有效地将复杂的多omics数据转换为适用于图形AI分析的格式.
• 该工具解决了人工智能模型的多omics数据预分析和结构化的挑战.
• 促进先进的生物标志物发现和理解细胞信号通路.