MDMNI-DGD:一种基于多omics数据和多视图网络集成的可药物基因发现的新型图形神经网络方法

科学领域:

• 基因组学就是基因组学.
• 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:

• 准确预测可药性基因对于向癌症治疗至关重要.
• 癌症数据的复杂性和异质性对确定有效的药物点提出了重大挑战.
• 现有的方法与癌症基因组学的复杂性作斗争.

研究的目的:

• 开发一种新的图形神经网络方法,MDMNI-DGD,用于预测和评估癌症可用药基因.
• 整合多种多omics数据和多视图基因关联网络,以提高预测准确度.
• 为了确定一个全面的潜在的可药物基因组,用于泛癌治疗的开发.

主要方法:

• 拟议的MDMNI-DGD,一个图形神经网络模型.
• 集成的多omics数据:拷贝数变化,DNA甲基化,体突变,基因表达.
• 构建了一个多视图基因关联网络,包括PPI,结构域,共同表达,通路,序列和基因本体学.

主要成果:

• 在最先进的方法中,MDMNI-DGD表现出优越的性能,由高的AUROC和AUPR得分证明.
• 一个案例研究验证了该方法在发现潜在的可药物基因方面的有效性.
• 在20,000多个蛋白质编码基因中,发现了872个潜在的可用药物基因.

结论:

• MDMNI-DGD提供了一种强大的新工具,用于预测癌症可用药物的基因.
• 鉴定出来的基因可以推进对泛癌可药物点的评估.
• 这些发现支持开发更个性化,更有效的癌症疗法.