一个机器学习管道来选大型生物分子数据以治愈高转化潜力的疾病特征

科学领域:

• 生物医学研究生物医学研究
• 翻译科学 翻译科学
• 计算生物学 计算生物学

背景情况:

• 临床研究的成功受到动物数据转化为人类环境的不良转化所阻碍.
• 现有的方法,如严格的动物模型选择和芯片上的组织有局限性.
• 尽管有基本相似之处,压力反应的分子机制在物种之间有所不同.

研究的目的:

• 开发一种用于选体内数据 (基因组,蛋白质组,表观基因组) 的分析工具.
• 识别遗传学上保存的分子和具有跨物种相似应激反应的分子.
• 增强人类临床研究中动物数据的翻译潜力.

主要方法:

• 开发了一个分析工具来选体内数据.
• 在整个遗传树上确定了顺序保存的分子.
• 利用机器学习算法将保存和扰乱的分子融合起来,识别出共同的特征,表明了基因组学同质性.

主要成果:

• 机器学习管道识别了具有保存分子构成和在整个家族遗传树上具有特征相似性的分子.
• 这种方法提炼了动物数据,以产生高的翻译潜力.
• 该工具最大限度地减少了翻译研究中的假阳性和假阴性条目.

结论:

• 开发的机器学习管道有效地整理动物数据,以改善人类临床研究的翻译.
• 这种策略对于罕见疾病和化学-生物-辐射-核 (CBRN) 暴露具有有限的人类样本的特别价值.
• 虽然可能会忽视人类独家签名,但这种ML方法提供了一种改进的方法来增强翻译潜力.