がん研究者の中で、彼らのコンピューター、サーバー、およびデータバンクは、数千のテラバイトのOMICSデータを保存し、遺伝的およびプロテオミクス関係に関する新しい発見を可能にします。ただし、意味のある接続を作成することは、計算上困難です。このデータを解釈し、治療戦略を進める認識されていないパターンを特定するために機械学習の力を活用する方法があったらどうでしょうか？
a 最近の論文 Nature Cancerは、がん生物学内の機能的なつながりを解読し、明らかにするための新しいツールを導入しています。マシンラーニング駆動型プラットフォームであるFunMapは、研究者が直接接続されていなくても、癌で遺伝子とタンパク質がどのように連携するかを理解できるようになります。 ビング・チャン、Baylor College of Medicineの分子および人間の遺伝学の教授であり、彼の研究室は、機械学習を使用した大規模な癌のOMICSデータと機能的解釈との間のギャップを埋めることを目指しています。
チームは、11の癌タイプにわたって大規模なタンパク質ゲノミクスデータ、または遺伝子、RNA、タンパク質に関する統合情報を使用して、10,000を超える遺伝子の機能的ネットワークをチャート化しました。タンパク質間の物理的接触に焦点を当てた従来のタンパク質 – タンパク質相互作用ネットワークとは異なり、FUNMAPは「共同機能性」を評価します。これは、遺伝子またはタンパク質が物理的に相互作用しなくても同じ生物学的プロセスに関与できるという概念です。
「複雑な研究室を考えてみてください」と、研究室のリードプログラマーであり、論文の最初の著者であるZhiao Shiは、計算ツールを説明しました。 「計算生物学者とウェットラボの科学者は一緒に実験を行うことはできませんが、計算分析は湿ったラボの実験を導き、結果を解釈するために重要です。それらは直接相互作用しませんが、科学的ブレークスルーを達成するために彼らの役割は緊密に調整されています。
接続された要素のネットワークとして構成されたデータから学習するタイプのモデルであるグラフネオラルネットワークベースのディープラーニングを組み込む機能により、FunMapは低頻度のがんドライバーの変異を識別できます。これにより、癌の病因の理解が高周波変異を超えて拡大し、癌の診断と治療における新しい発見を増強する可能性があります。
FUNMAPは、暗黒遺伝子としても知られるRBM34やMAB21L4などの研究されていない癌遺伝子に光を当てることにより、機能的ゲノミクスを進めます。これらの研究されていない遺伝子とそのタンパク質のカウンターパートは、癌の文脈では研究されていませんが、腫瘍で発現しているか、またはそれが有意に存在しています。 Shiは、彼らのアプローチが「より系統的でデータ主導の機能の割り当てが、特徴付けられていないがん関連遺伝子への割り当てを可能にし、新しい癌生物学の発見を支援する」と説明した。
プラットフォームは一般に公開されています funmap.linkedomics.org、科学者がネットワークを探索し、それを自分の研究に適用できる場合。 Zhang Labは、エピゲノミクスやタンパク質の修飾などの追加のデータ型でツールを拡張する予定です。
「主要な癌関連タンパク質と機能経路を特定することにより、我々の発見は治療目標の優先順位付けに役立ち、最終的にはより効果的な治療の開発に貢献します」とShi氏は言いました。 「長期的には、この研究はがん診断と治療の改善につながり、精密医療をより実用的で衝撃的にすることで患者に利益をもたらす可能性があります。」
Bing Zhang、Baylor College of Medicine
FunMapの概要、汎キャンサーのプロテオゲノミクスデータを統合して機能的モジュールを特定し、研究されていないタンパク質機能を予測し、低周波がんドライバーを発見する機械学習およびネットワークベースのフレームワークであるFunMapの概要。
#機能的な接続を通じてがんのコードを割る