一种基于核密度估计的方法,用于从基因表达数据量化癌症中的O-GlcNAcylation失调
Rastko Stojšin1, Jinlian Wang1, Hongfang Liu1
1Center for Translational AI Excellence and Applications in Medicine, D. Bradley McWilliams School of Biomedical Informatics, The University of Texas Health Science Center at Houston, Houston, TX 77030, United States.
Bioinformatics advances
|March 16, 2026
概括
癌症中的O-GlcNAcylation失调现在可以使用O-GlcNAc转移酶 (OGT) 和O-GlcNAcase (OGA) 表达量化. 这种基于转录组学的新方法准确地推断和分类癌症状态,为大规模研究提供了可扩展的方法.
科学领域:
- 生物化学和分子生物学
- 癌症研究 癌症研究
- 生物信息学是一种生物信息学.
背景情况:
- O-GlcNAcylation是一种关键的翻译后修饰,影响生物过程和癌症发展.
- 由于O-GlcNAcylation的不稳定性和低通量方法,直接测量O-GlcNAcylation很困难.
- OGT和OGA表达水平提供了一个更简单的方法来推断O-GlcNAcylation失调.
研究的目的:
- 开发一种新的,可扩展的方法,使用基因表达数据量化O-GlcNAcylation失调.
- 在模拟和现实癌症数据集中验证方法的准确性.
- 为了能够对癌症中的O-GlcNAcylation模式进行大规模分析.
主要方法:
- 开发了一种非参数核密度估计方法,使用联合OGT和OGA表达式.
- 利用模拟数据集与受控失调水平用于方法验证.
- 将该方法应用于来自六种癌症类型的癌症基因组图谱 (TCGA) 数据.
主要成果:
- 拟议的方法准确量化了O-GlcNAcylation失调,超过了现有的指标.
- 与健康对照人群相比,癌症样本中的推导调节得分明显较低.
- 该方法实现了精确的癌症状态分类 (AUROC:0.71-0.75) 并对外部数据集进行了概括.
结论:
- 一个基于转录学的框架提供了一个可扩展和可解释的方法来量化癌症中的O-GlcNAcylation失调.
- 这种方法克服了直接测量的局限性,促进了大规模的癌症研究.
- 自由可用的代码和数据促进了该方法的进一步研究和应用.


