通过机器学习和全癌症蛋白质基因组学绘制人类癌症的功能网络

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 在瘤学瘤学.

背景情况:

• 大规模的OMIC数据在解释体质突变和与癌症相关的蛋白质方面存在挑战.
• 了解基因和蛋白质之间的功能关系对于癌症研究至关重要.

研究的目的:

• 开发一种基于网络的方法,用于功能性解释癌症的数据.
• 为精确的基因和蛋白质关联分析构建一个泛癌功能网络 (FunMap).
• 为了识别新的癌症驱动因素,并预测研究不足的蛋白质的功能.

主要方法:

• 构建了FunMap,一个泛癌功能网络,使用受监督的机器学习对蛋白质组学和RNA测序数据从11种癌症类型的1,194个人.
• 应用网络分析以识别功能性蛋白质模块和层次结构.
• 在FunMap上利用基于图形神经网络的深度学习来发现低频突变驱动因素.

主要成果:

• FunMap包括10,525个蛋白质编码基因,以高精度连接功能相关的基因,优于传统的蛋白质-蛋白质相互作用图.
• 网络分析揭示了与癌症特征和临床表型相关的层次结构.
• 识别了已知的癌症驱动因素,对未经研究的蛋白质有更深入的见解和预测的功能.
• 使用深度学习发现了新的癌症驱动因素,包括那些低突变频率的癌症驱动因素.

结论:

• FunMap 作为一种强大而公正的工具,用于解释体质突变和癌症中研究不足的蛋白质.
• 该网络为癌症生物学提供了更深入的见解,并有助于开发治疗策略.
• 这种方法对推进精确瘤学和药物发现有广泛的影响.