通过深度强化学习识别清晰细胞细胞癌的潜在风险基因
Dazhi Lu1, Yan Zheng2, Xianyanling Yi3
1AI for Science Interdisciplinary Research Center, School of Computer Science, Northwestern Polytechnical University, Xi'an, China.
Nature communications
|April 15, 2025
概括
一种新的深度强化学习方法RL-GenRisk可以识别潜在的清细胞细胞癌 (ccRCC) 风险基因. 这种计算方法成功验证了两个基因,为ccRCC诊断和治疗提供了新的途径.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 清细胞细胞癌 (ccRCC) 是最常见的癌亚型.
- 对ccRCC风险基因的有限理解阻碍了有效的诊断和治疗策略.
研究的目的:
- 开发一种新的计算方法来识别清细胞细胞癌 (ccRCC) 风险基因.
- 通过先进的机器学习,应对已知的ccRCC风险基因有限的挑战.
主要方法:
- 开发了一个深度强化学习框架RL-GenRisk.
- RL-GenRisk模型将基因风险识别作为马尔科夫决策过程,集成图形卷积网络和深度Q网络.
- 一个数据驱动的奖励机制旨在克服已知风险基因的稀缺性.
主要成果:
- 与现有的方法相比,RL-GenRisk在识别ccRCC风险基因方面表现优越.
- 该方法确定了8种潜在的ccRCC风险基因.
- 皮表皮生长因子受体 (EGFR) 和小突触前细胞组蛋白 (PCLO) 通过独立的数据集和生物实验成功验证.
结论:
- RL-GenRisk是一种有效的计算工具,用于识别ccRCC风险基因.
- 经过验证的EGFR和PCLO基因显示出对ccRCC的未来研究的希望.
- RL-GenRisk方法对识别其他疾病中的风险基因具有潜在的适用性.


