PTMFusionNet:一种深度学习方法,用于预测疾病相关的翻译后修改和疾病亚型的分类
Jie Ni1, Yifan Zhou2, Bin Li2
1Institute for Molecular Medical Technology, State Key Laboratory of Digital Medical Engineering, School of Biological Science and Medical Engineering, Southeast University, Nanjing, Jiangsu, China; Department of Medical Informatics, School of Biomedical Engineering and Informatics, Nanjing Medical University, Nanjing, Jiangsu, China; Institute of Biomedical Devices (Suzhou), Southeast University, Suzhou, Jiangsu, China.
本研究介绍了PTMFusionNet,这是一个集成蛋白质表达和翻译后修改 (PTM) 数据的深度学习工具. 它通过预测关键的PTM生物标志物,准确地分类疾病亚型.
科学领域:
- 生物化学和生物信息学
- 计算生物学 计算生物学
- 基因组学和蛋白质组学
背景情况:
- 先进的质谱仪可以同时检测蛋白质强度和翻译后修饰 (PTM) 数据.
- 目前的PTM数据与蛋白质表达数据的整合不足以实现全面的临床应用.
- 准确的疾病亚型需要强大的整合多omics数据.
研究的目的:
- 开发一个深度学习框架,PTMFusionNet,用于预测与疾病相关的PTM.
- 将预测的PTM与蛋白质表达数据进行整合,以增强疾病亚型.
- 用集成的蛋白质组和PTM数据提高疾病分类的准确性和稳定性.
主要方法:
- PTMFusionNet采用两个图形卷积网络 (GCN) 模型:层级注意力 GCN (LAGCN) 用于PTM潜力评分和特征权重 GCN (FWGCN) 用于数据集成.
- LAGCN预测了在疾病背景下发生特定PTM的可能性.
- 为了进行分类任务,FWGCN将PTM得分与蛋白质表达数据融合在一起.
主要成果:
- 在三个独立数据集 (KIPAN,COADREAD,THCA) 中,PTMFusionNet表现出卓越的性能.
- 与现有的基准算法相比,该模型实现了更高的准确性,F1得分和AUC.
- 有效地确定了与疾病亚型相关的关键PTM生物标志物.
结论:
- PTMFusionNet提供了一个强大的方法来整合PTM和蛋白质表达数据.
- 该框架通过利用深度学习来进行多omics数据分析,显著提升了疾病亚型.
- 这种方法有望改善临床诊断和个性化治疗策略.
更多相关视频
07:35A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
Published on: October 13, 2023
08:04Identification and Classification of Position-specific GABAA Receptor Subunit Missense Variants for Their Role In Hippocampal Pyramidal Neurons
Published on: June 6, 2025
