NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Genom çapında ilişki çalışmaları (GWAS) tarafından birçok genetik lokus nöropsikiyatrik bozukluklar ve nörodejeneratif bozukluklarla ilişkili olarak tanımlanmıştır. Bu lokusların bu hastalıkları nasıl etkilediği belirsizdir. Derin öğrenme yaklaşımları ve çoklu omik verilerdeki gelişmeler, GWAS bulgularını hastalık mekanizmalarıyla ilişkilendirme potansiyeline sahiptir. Burada, hastalıkla ilişkili genleri tahmin etmek için çok omik verilerden türetilen biyolojik ağları modellemek için grafik temsil öğrenmesinden yararlanan yarı denetimli bir grafik sinir ağı olan Multi-omics Graph Transformer Network (MOGT)'ü önerdik. MOGT, iki psikiyatrik bozukluk ve üç nörodejeneratif/nörolojik hastalık için hastalık gen öngörüsündeki mevcut yaklaşımları geride bırakır. MOGT tarafından tahmin edilen Parkinson hastalığı (PD) için yüksek riskli genler (HRG'ler) CPAP veritabanı ile entegre edilerek ilaç keşfinde kullanıldı. Son olarak, 10 ilaç potansiyel aday olarak belirlendi. Bunlar arasında, UK-356618 ilacının etkisi, birincil nöron modelinde deneysel olarak doğrulandı ve UK-356618'in PD ile ilişkili genlerin anormal ifadesini tersine çevirdiğini ve PD'nin hücre düzeyinde fenotiplerini iyileştirdiğini gösterdi. Birlikte, bu sonuçlar MOGT'nin beyin bozuklukları için HRG'leri tanımlamak için kullanılabileceğini ve bu öngörülen HRG'lerin beyin bozukluklarının mekanizmaları ve tedavileri hakkında üst düzey bilgiler sağladığını göstermektedir.
Özgün kaynak özetini okuyun
Many genetic loci were identified as associated with neuropsychiatric disorders and neurodegenerative disorders by Genome-wide association studies (GWAS). How these loci impact these diseases is unclear. Advances in deep-learning approaches and multi-omics data have the potential to link GWAS findings with disease mechanisms. Here, we proposed the Multi-omics Graph Transformer Network (MOGT), a semi-supervised graph neural network that leverages graph representation learning to model biological networks derived from multi-omics data to predict disease-associated genes. MOGT outperforms the current approaches in disease gene prediction for two psychiatric disorders and three neurodegenerative/neurological diseases. High-risk genes (HRGs) for Parkinson's disease (PD) predicted by MOGT were used to drug discovery by integrating with the CMAP database. Finally, 10 drugs were identified as potential candidates. Among them, the effect of drug UK-356618 was experimentally verified in a primary neuron model, showing that UK-356618 reversed the abnormal expression of PD-associated genes and improved the cell-level phenotypes of PD. Together, these results indicate that MOGT can be used to identify HRGs for brain disorders, and these predicted HRGs provide high-level insights into the mechanisms and treatments of brain disorders.
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.