NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Hastalıkla ilgili gen modüllerinin incelenmesi, hastalık yolunu ve potansiyel ilaç hedeflerini keşfetmenin ana yöntemlerinden biridir. Son zamanlarda yapılan çalışmalar, çoğu hastalık proteininin birçok ayrı bağlı bileşen oluşturma ve protein-protein etkileşim ağına yayılma eğiliminde olduğunu bulmuştur. Bununla birlikte, hastalık modüllerini keşfetme konusundaki araştırmaların çoğu, tohum genlerini tek bir bağlı alt ağa genişletme eğiliminde olan iyi çalışılmış tohum genlerine karşı önyargılıdır. Bu makalede, entegre çok katmanlı biyolojik ağların derin temsil öğrenmesine dayanan dağınık hastalık modüllerini tarafsız bir şekilde keşfetmeyi amaçlayan bir algoritma çerçevesi olan N2V-HC'yi öneriyoruz. Yöntemimiz ilk olarak, Genom Çapında Dernek Çalışmaları (GWAS) ve ekspresyon Kantitatif Trait Loci (eQTL) çalışmalarının özet verilerine dayanan hastalıkla ilişkili genleri tahmin eder ve insan interaktomu temelinde entegre bir ağ oluşturur. Ağdaki düğümlerin özellikleri daha sonra derin temsil öğrenme ile çıkarılır. Hastalıkla ilişkili genlerle zenginleştirilmiş modülleri keşfetmek için dinamik ağaç kesme yöntemleri ile hiyerarşik kümeleme uygulanır. Gerçek ağlar ve simüle edilmiş ağlar üzerindeki değerlendirme, N2V-HC'nin ağ modülü keşfinde mevcut yöntemlerden daha iyi performans gösterdiğini göstermektedir. Parkinson hastalığı ve Alzheimer hastalığı ile ilgili vaka çalışmaları, N2V-HC'nin karmaşık hastalıkların altında yatan yollar ile ilgili biyolojik anlamlı modülleri keşfetmek için kullanılabileceğini göstermektedir.
Özgün kaynak özetini okuyun
The study of disease-relevant gene modules is one of the main methods to discover disease pathway and potential drug targets. Recent studies have found that most disease proteins tend to form many separate connected components and scatter across the protein-protein interaction network. However, most of the research on discovering disease modules are biased toward well-studied seed genes, which tend to extend seed genes into a single connected subnetwork. In this paper, we propose N2V-HC, an algorithm framework aiming to unbiasedly discover the scattered disease modules based on deep representation learning of integrated multi-layer biological networks. Our method first predicts disease associated genes based on summary data of Genome-wide Association Studies (GWAS) and expression Quantitative Trait Loci (eQTL) studies, and generates an integrated network on the basis of human interactome. The features of nodes in the network are then extracted by deep representation learning. Hierarchical clustering with dynamic tree cut methods are applied to discover the modules that are enriched with disease associated genes. The evaluation on real networks and simulated networks show that N2V-HC performs better than existing methods in network module discovery. Case studies on Parkinson's disease and Alzheimer's disease, show that N2V-HC can be used to discover biological meaningful modules related to the pathways underlying complex diseases.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.