图形卷积网络模型识别和量化基因和癌症特异性转录组签名癌症驱动事件的基因和癌症特异性转录组签名
Gil Ben Cohen1, Adar Yaacov1, Yishai Ben Zvi1
1Gaffin Center for Neuro-Oncology, Sharett Institute for Oncology, Hadassah Medical Center and Faculty of Medicine, Hebrew University of Jerusalem, Israel; The Wohl Institute for Translational Medicine, Hadassah Medical Center and Faculty of Medicine, Hebrew University of Jerusalem, Israel.
Computers in biology and medicine
|December 19, 2024
概括
这项研究介绍了STAMP,一种使用基因表达来识别和量化癌症驱动事件的新型框架. 通过揭示瘤分子景观,STAMP提高了向治疗选择.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 目前的癌症诊断依赖于DNA突变,往往缺少可治疗的驱动事件.
- 转录学为细胞和瘤状态提供了更全面的视图.
- 一个基因表达模型可以提高癌症相关异常的识别和量化.
研究的目的:
- 开发一种基于基因表达的框架,用于识别和量化癌症驱动事件.
- 提高癌症诊断和治疗选择的准确性.
主要方法:
- STAMP (与突变蛋白相关的转录组签名) 使用图形卷积网络 (GCN).
- 在基因表达数据和精选的基因相互作用图表上进行训练.
- 模型预测p53功能障碍,并扩展到近300个瘤特定的预测模型.
主要成果:
- 在未见的数据和独立的队列上,STAMP实现了高精度 (AUC).
- 与p53特征,蛋白质功能和药物敏感性的验证相关性 (IC50).
- 在临床患者队列中证明了改善药物反应预测.
结论:
- STAMP模型有效地识别和量化驱动事件信号强度.
- 该框架有助于理解瘤分子景观.
- STAMP显示了改善向治疗选择的潜力,以获得更好的癌症治疗结果.
