GEMDiff:一个扩散工作流桥梁正常和瘤基因表达状态:一个乳腺癌病例研究
Xusheng Ai1, Melissa C Smith1, F Alex Feltus2,3,4
1Department of Electrical and Computer Engineering, Clemson University, Clemson, SC 29634, United States.
Briefings in bioinformatics
|March 11, 2025
概括
GEMDiff是一种新的计算工作流,通过模拟正常和瘤状态之间的基因表达变化来增强乳腺癌研究. 这种方法有助于生物标记物的发现,并通过使用RNA-seq数据改善机器学习模型的性能.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 机器学习 机器学习
背景情况:
- 乳腺癌的复杂性源于遗传/表观遗传突变,挑战了药物设计的传统机器学习.
- 现有的生成模型在大规模基因表达数据的可扩展性和稳定性方面扎.
研究的目的:
- 介绍GEMDiff,一种基于扩散模型的工作流程,以弥合正常和瘤基因表达状态.
- 通过数据增强和扰动模拟,增强生物标志物识别和提高机器学习模型性能.
主要方法:
- 利用扩散模型 (GEMDiff) 来增强RNA-seq数据并模拟基因表达扰动.
- 开发了一个可扩展和稳定的工作流程,用于分析大规模的基因表达数据集.
- 避免了特定任务的超参数调整和专门的损失功能,以实现广泛的应用.
主要成果:
- 在没有可扩展性或稳定性问题的情况下,GEMDiff有效处理大规模的基因表达数据.
- 在乳腺癌病例研究中证明有用,在瘤到正常状态过渡中确定了307个核心基因.
- 生成合成数据以解决机器学习生物数据可用性的局限性.
结论:
- GEMDiff为基因表达分析和生物标志物发现提供了一个强大的和可通用的工具.
- 工作流程通过增加生物数据,促进了改进的预测模型的开发.
- 开源可用性促进了计算癌症研究的更广泛采用和进步.


