在肝细胞癌中,通过转录学,机器学习,网络药理学和分子动力学,发现生物标志物和药物重定位

科学领域:

• 计算生物学是一种计算生物学.
• 系统生物学 系统生物学
• 基因组学就是基因组学.
• 翻译性瘤学是指翻译性瘤学.

背景情况:

• 肝细胞癌 (HCC) 是一个重大的全球健康挑战.
• 迫切需要准确的诊断工具和有效的治疗策略来治疗HCC.
• 目前对HCC的诊断方法在敏感性和特异性方面存在局限性.

研究的目的:

• 通过综合计算和系统生物学方法定义肝细胞癌 (HCC) 的诊断基因特征.
• 探索已识别的生物标志物和潜在的治疗点的转化相关性.
• 通过in silico方法识别HCC重新利用的新药候选者.

主要方法:

• 来自230个HCC样本的转录数据的差异基因表达分析.
• 训练和验证四个机器学习分类器 (XGBoost,物流回归,随机森林,SVM-线性) 的HCC诊断.
• 基于SHAP的可解释性分析来完善生物标志物面板.
• 蛋白质与蛋白质相互作用网络的构建和功能丰富分析.
• 药物-基因相互作用挖掘,分子对接和分子动力学模拟以评估候选药物.

主要成果:

• 在HCC中鉴定了2748个差异表达基因 (DEGs),其中FGF4和REG1B作为顶部上调基因.
• 机器学习模型实现了高预测性能 (例如,XGBoost:精度=0.97,ROC-AUC=0.981).
• 81个基因的精细生物标记面板,突出显示了关键的下调预测因素,如GDF2和COLEC10.
• 根据分子对接,动力学和药物动力学概况,确定了78种向蛋白质,并将tolrestat作为计算上有利的药物重新定位候选人优先考虑.

结论:

• 使用计算框架建立了HCC强大的诊断基因签名.
• 托尔雷斯塔特 (Tolrestat) 成为HCC药物重定向的有希望的候选者,表现出有利的结合和药理动力学特性.
• 这项研究强调了整合机器学习,网络生物学和分子模拟的实用性,以推进转化癌症研究.