跨标记器:通过跨州图表对齐和最佳运输,揭示癌症进展中的动态网络生物标志物

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 识别国家特定的生物标志物对于了解癌症进展和提高诊断准确度至关重要.
• 现有的多层网络模型往往忽视了疾病状态之间的结构性重新连接和表达变异性.

研究的目的:

• 引入TransMarker,通过识别具有重大调控作用转换的基因来检测动态生物标志物的新型框架.
• 为了利用跨州对多州单细胞数据的跨州对齐,以便更好地分析疾病进展.

主要方法:

• 通过整合先前的相互作用数据与特定状态的表达,TransMarker构建了归因的基因网络,在多层图中将每个疾病状态编码为不同的层.
• 图表注意网络 (GAT) 产生了上下文化的嵌入,格罗莫夫-瓦瑟斯坦的最佳运输量化了结构变化.
• 动态网络指数 (DNI) 根据监管变异性对基因进行排名,优先考虑的生物标志物用于深度神经网络进行分类.

主要成果:

• 与现有的多层网络排名技术相比,TransMarker在分类准确性,稳定性和生物标记器相关性方面表现出色.
• 对合成和现实胃腺癌 (GAC) 数据集的验证证实了该框架在各种场景中的有效性.
• 废弃性研究验证了TransMarker框架的每个组件对其整体性能的贡献.

结论:

• 结合监管重新连接,时间表达动态和跨州对齐,为识别具有生物意义的生物标志物提供了一个强大的策略.
• 跨标记器提供了一个强大的方法,以单细胞分辨率建模疾病进展.
• 该框架提高了诊断精度和癌症动态的理解.