改进癌症驱动器模块的识别,使用从多omics数据中学习的深度特征.

科学领域:

• 计算生物学是一种计算生物学.
• 癌症基因组学 癌症基因组学
• 系统生物学 系统生物学

背景情况:

• 识别癌症驱动模块对于理解癌症机制至关重要.
• 丰富的癌症omics数据提供了机会,但现有的方法在整合方面扎.
• 当前的计算方法存在限制,以有效地学习驱动模块识别的omics功能.

研究的目的:

• 为准确的癌症驱动模块识别开发一个综合框架.
• 克服现有方法在整合多样化癌症数据方面的局限性.
• 为了提高学习信息的奥米克特征,用于驱动器模块发现.

主要方法:

• 整合蛋白质-蛋白质相互作用网络,转录性调节网络,基因表达和突变数据.
• 开发方法来学习功能性基因连接的深度特征跨OMIC数据.
• 构建一个集成的基因功能连贯性网络.
• 应用两步模块挖掘方法来识别驱动器模块.

主要成果:

• 拟议的框架成功地集成了多种omics数据类型.
• 对于每一个omics数据,都学习了功能连接的深度特征.
• 构建了一个集成的基因功能连贯性网络.
• 一种两步模块挖掘方法有效地识别了癌症驱动模块.
• 在三种癌症类型的系统实验中,比现有方法表现出更高的性能.
• 识别的驱动模块与临床生存表型有关.

结论:

• 新的综合框架准确地识别了癌症驱动模块.
• 该方法有效地利用各种omics数据进行增强的驱动器模块发现.
• 这些发现有助于更好地了解癌症进展和潜在的治疗点.