对多种表观遗传特征的机器学习揭示了H3K27Ac作为质母细胞瘤患者基因表达预测的驱动因素

科学领域:

• * 分子生物学 * 分子生物学
• * 基因组学 是一个学科.
• * 计算生物学 * 计算生物学

背景情况:

• *表观遗传机制是质母细胞 (GSC) 中转录表达和表型可塑性的关键驱动因素,有助于瘤异质性和治疗耐药性.
• * GSCs表现出适应性可塑性,在细胞状态之间过渡,并通过表观遗传重编程逃避治疗.
• * 针对这些表观遗传驱动因素对于开发针对质母细胞瘤的新型治疗策略至关重要.

研究的目的:

• * 调查表观遗传机制在GSC转录表达和表型可塑性中的作用.
• * 开发和评估机器学习模型,以利用表观遗传特征预测GSC转录表达.
• *从不同患者的GSC中识别共同的表观遗传模式.

主要方法:

• * 利用机器学习 (ML) 和深度学习 (DL) 模型,包括XGBoost,用于跨患者预测GSC转录表达.
• * 整合了多样化的表观遗传数据:ATAC-seq,CTCF ChIP-seq,RNAPII ChIP-seq,H3K27Ac ChIP-seq,以及RNA-seq.
• *评估模型的概括性和个体表观遗传特征的预测能力.

主要成果:

• * 在一个患者的表观遗传数据上训练的XGBoost模型准确地预测了其他11名患者的基因表达.
• *单个患者的H3K27Ac (基因素3乙化) 增强剂活性就足以预测所有测试患者的基因表达.
• * 在患者的GSC中观察到H3K27Ac峰值的保存分布模式,表明共享增强剂活性.

结论:

• * 结质母细胞干细胞,尽管异质,共享一个共同的表观遗传模式的增强器激活的特征是H3K27Ac.
• *这种保存的H3K27Ac模式可以可靠地预测患者样本中的基因表达.
• *这些发现为开发表观遗传向疗法提供了基础,以破坏GSC适应机制并改善质母细胞瘤治疗结果.