在18种人类癌症中对基因表达的深度分析
Wei Qiu1, Ayse B Dincer1, Joseph D Janizek1,2
1Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, WA, USA.
Nature biomedical engineering
|December 17, 2024
概括
深度学习从基因表达数据中发现了普遍的免疫细胞激活基因和癌症特异性途径. 这一框架揭示了瘤突变负担,细胞周期基因和患者存活率之间的联系.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 癌症研究 癌症研究
背景情况:
- 无监督深度学习为分析大型基因表达数据集提供了潜力.
- 生物解释性和方法学稳定性的挑战限制了其在癌症研究中的应用.
研究的目的:
- 开发和验证一个无监督的深度学习框架,DeepProfile,用于分析多种人类癌症中的基因表达数据.
- 提高大规模癌症转录组数据分析的生物解释性和方法学稳定性.
主要方法:
- 开发了DeepProfile,一个无监督的深度学习框架,可以从50211个转录组在18种人类癌症中生成低维的潜空间.
- 对比DeepProfile的性能与传统的维度减小方法在生物解释性方面.
主要成果:
- 与其他方法相比,DeepProfile显示出优越的生物解释性.
- 确定了控制免疫细胞激活的普遍重要的基因和定义分子亚型的癌症类型特定基因/途径.
- 将潜在变量与瘤特征联系起来,发现突变负担和细胞周期基因之间的关联.
- 发现了DNA不匹配修复,MHCII类抗原呈现途径和患者存活率之间的一致关联.
- 确定了与瘤相关的巨细胞作为与生存相关的MHCII类转录的来源.
结论:
- 无监督的深度学习,以DeepProfile为例,可以有效地从复杂的基因表达数据中提取生物学见解.
- 该框架通过将分子特征与临床结果联系起来,促进新生物标志物和治疗点的发现.
