Maschinelles Lernen Modell identifiziert krebsspezifische Enhancer-Gen-Interaktionen
2023
Weill Cornell Medicine, New York, USA
In dieser Studie wurde ein Computermodell namens "Differential Gene Targets of accessible chromatin" (DGTAC) entwickelt. Es hilft dabei, bestimmte genetische Bereiche zu identifizieren, die das Wachstum von bösartigen Zellen fördern, was wichtig für die Entwicklung von Krebsmedikamenten ist. Das Modell verwendet Daten von 371 Patienten mit verschiedenen Krebsarten, um diese Bereiche zu erkennen. Es benötigt nur eine kleine Menge Gewebe von den Patienten, um zuverlässige Vorhersagen zu machen.
Das Modell verwendet spezielle Daten (ATAC-seq und RNA-seq), um vorherzusagen, wie Gene aktiviert werden. Es berücksichtigt auch andere Informationen wie die Entfernung der genetischen Sequenzen von ihren Transkriptionsstartstellen und wie stark sie aktiviert sind. Ein wichtiger Punkt bei den Vorhersagen ist ein spezieller Fehlerwert, der für jede Probe berechnet wird.
In Tests mit verschiedenen Krebszellen konnte das Modell neue Bereiche identifizieren, die die Aktivität von 602 Krebsgenen beeinflussen. Außerdem wurden die Vorhersagen des Modells in Experimenten überprüft und bestätigt. Das Modell kann auch unterschiedliche Arten von genetischen Bereichen unterscheiden, was bisherige Methoden nicht konnten.
Die Ergebnisse dieser Studie helfen uns, die genetischen Ursachen von Krankheiten besser zu verstehen, die durch fehlerhafte Genaktivität ausgelöst werden. Außerdem zeigt das Modell, wie es durch seinen patientenspezifischen Ansatz bei der Entwicklung maßgeschneiderter Medikamente für einzelne Patienten nützlich sein kann.
Recapitulation of patient-specific 3D chromatin conformation using machine learning
Ekta Khurana
Eingestellt am: 26.09.2023
[1] https://www.sciencedirect.com/science/article/pii/S2667237523002229?via%3Dihub[2] https://www.cell.com/cell-reports-methods/fulltext/S2667-2375(23)00246-1?dgcid=raven_jbs_etoc_email
