一个包括295个基因的综合目标小组:揭示多发性骨髓瘤中关键的疾病发起和转化生物标志物
Vivek Ruhela1, Ritu Gupta2, Rupin Oberoi3
1SBILab, Deptt. of ECE & Centre of Excellence in Healthcare, Indraprastha Institute of Information Technology Delhi (IIIT-Delhi), India; Department of Computational Biology, Indraprastha Institute of Information Technology Delhi (IIIT-Delhi), India.
Computers in biology and medicine
|July 5, 2025
概括
这项研究介绍了BIO-DGI,这是用于多发性骨髓瘤 (MM) 生物标志物发现的AI框架. 它通过分析基因组变异和基因相互作用来识别早期MM检测的关键基因.
科学领域:
- 基因组学就是基因组学.
- 人工智能的人工智能
- 生物信息学是一种生物信息学.
背景情况:
- 多发性骨髓瘤 (MM) 是一种血液癌症,由未确定的意义单克隆性乳腺病变 (MGUS) 发展.
- 在早期检测和了解疾病发展方面,MM和MGUS之间的分子区别至关重要.
- 识别生物标志物,基因组改变和基因相互作用是MM病原体洞察的关键.
研究的目的:
- 开发一个人工智能驱动的框架,用于识别多重骨髓瘤生物标志物.
- 在分子层面上区分多发性骨髓瘤及其前体MGUS.
- 创建一个临床相关的基因面板用于多发性骨髓瘤检测.
主要方法:
- 开发了一个人工智能工作流程,将统计突变分析与基因-基因相互作用的深度学习模型 (BIO-DGI) 集成在一起.
- 从全外体和基因组测序数据中利用单核酸变异 (SNV),复制数变异 (CNV) 和结构变异 (SV).
- 进行了后期验证,包括ShAP分析,社区分析,生存分析和途径丰富.
主要成果:
- 生物-DGI模型在识别多个髓瘤相关基因方面表现优于传统方法.
- 后期分析导致了对多发性骨髓瘤295个基因组的设计.
- 途径丰富分析证实了该小组与MM相关的生物途径的强烈关联.
结论:
- 开发了一个综合框架,结合了生物启发的图形学习和多变体基因组分析.
- 新的BIO-DGI模型整合了外基因变异与基因相互作用.
- 对多发性骨髓瘤成功开发了一个临床策划的295基因小组.
更多相关视频
07:41Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases
Published on: May 17, 2019
9.1K
09:41An Organotypic High Throughput System for Characterization of Drug Sensitivity of Primary Multiple Myeloma Cells
Published on: July 15, 2015
8.7K
