对于孤儿疾病的治疗目标预测,整合全基因组和全转录组关联研究
Satoko Namba1,2, Michio Iwata1, Shin-Ichi Nureki3
1Department of Bioscience and Bioinformatics, Faculty of Computer Science and Systems Engineering, Kyushu Institute of Technology, Kawazu, Iizuka, Fukuoka, 820-8502, Japan.
Nature communications
|April 18, 2025
概括
我们开发了使用GWAS和TWAS数据的新型疾病特征TRESOR,以预测罕见疾病的治疗点. 这种机器学习方法通过分析基因表达模式来识别潜在的药物标,帮助药物发现.
科学领域:
- 计算生物学和生物信息学
- 基因组学和转录基因组学
- 药物的发现和开发.
背景情况:
- 治疗目标的识别是药物发现的关键瓶,特别是在罕见和孤儿疾病.
- 现有的方法经常与缺乏广泛的遗传或临床数据的疾病作斗争.
- 在分子水平上了解疾病机制对于有效的治疗策略至关重要.
研究的目的:
- 引入TRESOR,一种用于表征功能性疾病机制的新型疾病特征.
- 开发机器学习模型,用于预测抑制和激活治疗点.
- 加强对具有有限已知的目标的罕见疾病的目标识别.
主要方法:
- 利用全基因组关联研究 (GWAS) 和全转录组关联研究 (TWAS) 数据来定义TRESOR疾病特征.
- 开发了机器学习算法,以基于基因扰乱特征 (基因淘汰/过度表达) 预测治疗目标.
- 采用贝叶斯优化与基于omics的疾病相似性来提高数据差的疾病的性能.
主要成果:
- 在284种疾病中成功识别了4345种抑制性标候选人和151种疾病中成功识别了4040种激活性标候选人.
- TRESOR准确地识别了抵消疾病特异性转录组模式的目标蛋白.
- 使用独立队列验证了有希望的目标,证明了预测的稳定性.
结论:
- TRESOR签名和相关的机器学习方法为治疗目标识别提供了一个强大的框架.
- 这种方法有助于发现罕见和孤儿疾病的目标.
- 这些方法还可以促进更深入地了解不同疾病之间的关系.
