Eine Methode für die Suche nach Genen, die spur Tumorwachstum nutzt machine learning algorithmen zu sichten durch Unmengen von molekularen Daten, die aus Studien von Krebs-Zell-Linien, Mausmodellen und menschlichen Patienten.
Durch den Unterricht der künstliche-Intelligenz-system zu verknüpfen bestimmte DNA-Mutationen zu einer veränderten Funktionalität, die ein team unter der Leitung von Robert Hoehndorf von KAUST ist Computational Bioscience Research Center zeigte, dass Sie konnten Gene identifizieren, die mit einem bekannten ursächliche Rolle bei der Krebsentstehung und wählen Sie aus Dutzenden von vermeintlich neue für 20 verschiedene tumor-Arten.
Die Vorhersage-Methode—beschrieben in Wissenschaftliche Berichte und online frei verfügbar—könnte helfen, Kliniker maßgeschneiderte Medikamente, um die molekularen Subtypen der Patienten. Es könnte auch verwendet werden, von Pharmafirmen in der Jagd für neue therapeutische Ziele.
„Unsere Methode kann verwendet werden als Rahmen für die Vorhersage und Validierung der Krebs-Treiber-Gene in einer Datenbank oder echte population“, sagt Sara Althubaiti, ein Ph. D.-student in Hoehndorf Labor und den ersten Autor der Studie.
Traditionell haben die Wissenschaftler näherten sich die Suche nach Genen, die mit eine ursächliche Rolle bei der Krebsentstehung durch, beginnend mit DNA-Sequenz-Daten. Durch die weitgehende Katalogisierung tumor-Mutationen, die gemeinsam von Patienten mit einer gemeinsamen Art von Krebs, die Forschung hat dokumentiert, Hunderte von Genen mit kausaler Wirkung auf die tumor-Entwicklung. Experimentelle follow-up wird dann verwendet, um funktionell assoziierten Gene mit den Markenzeichen von Krebs.
„Unsere Methode wird dieser Ansatz auf den Kopf,“ Althubaiti erklärt. „Im wesentlichen, unser Ansatz ist es, wissensbasierten und wir nutzen den tumor sequencing-Daten-Validierung. Dies ist im Gegensatz zu den meisten Ansätzen, das sind Daten-getrieben kombiniert mit der interpretation der Befunde mit Bezug auf etabliertes wissen.“
Die rate der Entdeckung für neue Krebs-treibenden Gene wurde rückläufig in den letzten Jahren rapide, was die KAUST-team auf die Suche nach einem neuen computational Strategie. Anstatt sich auf Sequenz-Daten, Althubaiti und Hoehndorf baute eine Maschine-learning-Modell berücksichtigt, dass viele der biologischen Funktionen der Gene und Signalwege in der Tumorentstehung.
Der Forscher konstruiert der Algorithmus zum erkennen der funktionellen und phänotypischen Muster, bereiten ein gen in Richtung spielt eine Rolle bei der Förderung von tumor-Entwicklung. Sie validiert das Modell mit Hilfe einer öffentlich verfügbaren Datenbank mit rund 27.000 verschiedene tumor-Varianten sowie funktionelle und Sequenz-Daten zeigen, dass der Algorithmus könnte genau kategorisieren bekannt krebserzeugende Gene und erkennen mehr als 100 anderen möglichen Täter, von denen viele auf bestimmte Rollen in bestimmten tumor-Arten.
Die KAUST Ermittler dann weiter getestet, der Algorithmus, der die Leistung auf molekulare Daten von zwei Kohorten von Patienten mit Krebs. Die erste wurde von König Abdulaziz University Hospital, Saudi-Arabien, bestehend aus 26 tumor-Proben von Personen mit einer seltenen Art von Kopf-und Hals-Krebs genannt Nasen-Rachen-Karzinom. Die andere Kohorte umfasste 114 kolorektalen Tumorproben von Patienten, die an der Universität von Birmingham Hospital im Vereinigten Königreich. In beiden Patienten-Gruppen, das Modell herausgegriffen und Bewerber Fahrer Gene, wurden Häufig mutiert und gemeinsamen pathogenen Eigenschaften von anderen Krebs-verursachenden Gene.