一个图形神经网络方法,用于对乳腺癌蛋白社区的层次映射

科学领域:

• 蛋白质组学是指蛋白质组学.
• 系统生物学 系统生物学
• 生物信息学是一种生物信息学.

背景情况:

• 乳腺癌研究从绘制蛋白质社区层次结构和识别生物标志物中受益.
• 目前的方法是主观的,忽略了蛋白质序列信息.
• 深度学习提供从序列和交互中自动提取特征以进行集群.

研究的目的:

• 开发一种新的,客观的方法来对乳腺癌蛋白质群体进行分层分类.
• 通过深度学习识别潜在的乳腺癌生物标志物和治疗点.
• 将基因突变,生存数据和药物反应整合到一个层次框架内.

主要方法:

• 一个等级图形神经网络被用来集群乳腺癌蛋白质社区.
• 基因本体学术语和预训练的语言模型提供了监督.
• 一个组-拉索算法根据突变,生存,药物改变和癌症特异性干扰来确定关键蛋白质群体.

主要成果:

• 构建了乳腺癌蛋白社区的等级地图,揭示了基因水平突变和生存信息的融合.
• BRCA2被确定为一个热点,验证了模型的内部一致性.
• SUPT6H和RAD21 (HOST:37和HOST:861) 被强调为潜在的生物标志物.
• 默卡普托普林,皮奥格利塔和胆固醇被确定为针对这些系统的潜在治疗剂.

结论:

• 图形神经网络方法通过分析层次蛋白质群体,为乳腺癌的预后和治疗提供了新的视角.
• 在系统级生物学中评估基因组有助于评估预后和治疗价值.
• 特定于癌症的依赖性和药物诱导的改变确定了关键系统和治疗点,有可能开发临床生物标志物.