Efficient algorithms to discover alterations with complementary functional association in cancer
最近的大型癌症研究测量了前所未有数量的肿瘤的体细胞改变。这些大型数据集允许通过识别相关的组合模式来识别癌症相关的遗传改变集。在这些模式中,互斥性已被最近的几种方法所采用,这些方法在表征与癌症相关的基因集方面显示出其有效性。互斥性的产生是因为作为一组基因的一部分的基因的改变在功能水平上的互补性(例如,途径)执行给定的功能。来自遗传扰动或来自临床表型的定量靶谱的可用性提供了额外的信息,所述额外的信息可以被利用以通过发现与这些靶具有互补功能关联的组来改进癌症相关基因集的鉴定。在这项工作中,我们研究的问题,发现组的相互排斥的改变与定量(功能)的目标。我们提出了一个组合配方的问题,并证明了相关的计算问题是计算困难。我们设计了两种算法来解决这个问题,并在我们的工具UNCOVER中实现它们。我们提供了分析证据,UNCOVER在寻找高质量的解决方案的有效性,并通过实验表明,UNCOVER发现在各种情况下与功能目标显着相关的改变集。此外,我们的算法比最先进的算法快得多,可以分析来自癌细胞系的数千个靶向特征的大型数据集。我们表明,在一个这样的数据集从项目阿基里斯我们的方法确定了几个重要的基因集与互补的功能关联的目标。
2018-03-26 q-bio.QM
Ask2Me VarHarmonizer: A Python-Based Tool to Harmonize Variants from Cancer Genetic Testing Reports and Map them to the ClinVar Database
生殖系基因组检测的普及导致了大量变异水平数据的积累。不同实验室的变体名称并不总是一致的,并且不容易映射到公共变体数据库(如ClinVar)。需要一种可以自动化变异协调和映射过程的工具,以帮助临床医生确保他们的变异解释是准确的。方法:我们提出了一个基于Python的工具,Ask2Me VarHarmonizer,它结合了数据清理,名称协调和四次尝试映射到ClinVar程序。我们应用这个工具来映射从11个临床实践中收集的试点数据集的变体。在有和没有转录本信息的情况下评估定位结果。研究结果:使用Ask2Me VarHarmonizer,6027个变体条目中的4728个(78%)成功映射到ClinVar,对应于3699个可映射的独特变体。加上1099个独特的不可映射的变异,最终确定了总共4798个独特的变异。其中427人(9%)有多个名字,其中343人(7%)在实践中有多个名字。在有和没有转录本信息的情况下观察到99%的映射一致性。结论:Ask2Me VarHarmonizer聚合和构建变体数据,协调名称,并将变体映射到ClinVar。执行协调消除了来自不同来源的变体的歧义和冗余。
2019-11-19 q-bio.GN q-bio.QM
Understanding the role of phenotypic switching in cancer drug resistance
癌症中获得性耐药性的出现是治疗成功的主要障碍。虽然研究传统上集中在耐药性的遗传来源,但最近的研究结果表明,癌细胞可以通过表观遗传修饰和其他非遗传机制获得瞬时耐药表型。尽管这些耐药表型最终会被单个细胞放弃,但它们可以暂时“拯救”肿瘤免于灭绝,并使更持久的耐药机制得以出现。这些观察结果引起了人们对表观遗传疗法用于长期肿瘤控制或根除的潜力的兴趣。在这项工作中,我们开发了一个数学模型来研究单细胞水平的表型转换如何影响癌症的耐药性演变。我们强调非遗传性耐药的独特特征,探索表观遗传药物的进化后果,并探索潜在的治疗策略。我们发现,即使是短期的表观遗传修饰和基因表达的随机波动,在没有任何真正的耐药机制的情况下,也可以驱动长期的耐药性。我们还发现,一种稍微干扰耐药表型平均保留的表观遗传药物可以将保证的治疗失败转变为保证的成功。最后,我们发现,将表观遗传药物与抗癌药物相结合可以显着优于单药治疗,并且治疗结果受到药物测序的严重影响。
2020-01-21 q-bio.PE q-bio.QM
Histology-informed tiling of whole tissue sections improves the interpretability and predictability of cancer relapse and genetic alterations
University of Oxford(牛津大学);CRUK ICGC Prostate Group(CRUK前列腺组)
针对数字病理网格分块忽略组织结构的问题,本文提出组织学信息引导分块方法HIT,可提取腺体作为MIL输入,提升癌症相关基因变异与复发预测的性能及可解释性。
2025-11-13 cs.CV q-bio.QM q-bio.TO
Screen Them All: High-Throughput Pan-Cancer Genetic and Phenotypic Biomarker Screening from H&E Whole Slide Images
Paige, NYC, NY United States(Paige);Memorial Sloan Kettering Cancer Center(纪念斯隆凯特琳癌症中心);University of Rochester(罗切斯特大学)
OmniScreen利用60,529名患者的H&E全切片图像和Virchow2嵌入,通过统一AI模型高通量预测跨癌症的489基因生物标志物,为临床筛查提供快速经济方案。
2025-07-14 cs.CV eess.IV q-bio.QM
TiMEx: A Waiting Time Model for Mutually Exclusive Groups of Cancer Alterations
尽管基因组科学最近取得了技术进步,但我们对癌症进展及其驱动遗传改变的理解仍然不完整。在这里,我们介绍了TiMEx,这是一种生成概率模型,用于检测遗传改变中各种程度的互斥模式,这可以表明参与癌症进展的途径。TiMEx明确说明了等待变更时间和观察时间之间的时间相互作用。在模拟研究中,我们表明,我们的模型优于以前的方法检测互斥。在大规模的生物数据集上,TiMEx识别出具有强功能生物学相关性的基因组,同时还提出了许多新的生物学验证候选基因。TiMEx与以前的方法相比具有几个优点,包括肿瘤发生的新生成概率模型,互斥相互作用概率的直接估计,计算效率以及检测涉及低频改变的基因组的高灵敏度。R代码可在www.cbg.bsse.ethz.ch/software/TiMEx上获得。
2015-10-27 q-bio.MN q-bio.QM
Joint and individual analysis of breast cancer histologic images and genomic covariates
现代数据分析的一个关键挑战是理解复杂和不同数据模式之间的联系。例如,研究乳腺癌的两种主要方法是组织病理学(分析肿瘤的视觉特征)和遗传学。虽然组织病理学是诊断的黄金标准,并且最近在遗传学方面取得了许多突破,但这两个领域之间几乎没有重叠。我们的目标是通过开发基于角度的联合和个体变异解释(AJIVE)的方法来弥合这一差距,以直接探索这两种模式之间的相似性和差异。我们的方法利用卷积神经网络(CNN)作为一个强大的,自动的图像特征提取方法,以解决组织病理学图像数据的统计分析所提出的一些挑战。CNN提出了可解释性的问题,我们通过开发新的方法来探索应用于CNN特征的统计算法(例如PCA或AJIVE)捕获的视觉变化模式来解决这个问题。我们的研究结果提供了许多可解释的连接和组织病理学和遗传学之间的对比。
2020-04-14 eess.IV q-bio.QM stat.AP
Deep neural network improves the estimation of polygenic risk scores for breast cancer
本研究比较多种模型估计乳腺癌多基因风险评分,发现深度神经网络优于BLUP、BayesA和LDpred,在测试队列中AUC达67.4%,并能将病例分为高遗传风险和正常遗传风险亚群,识别出关联研究忽略的显著变异。
2023-07-24 cs.LG q-bio.QM
Accurate Computation of Survival Statistics in Genome-wide Studies
基因组学的一个关键挑战是识别遗传变异,以区分诊断或治疗后生存时间不同的患者。虽然对数秩检验广泛用于此目的,但几乎所有对数秩检验的实现都依赖于渐进近似,这在许多基因组学应用中并不合适。这是因为:由遗传变体确定的两个群体可能具有非常不同的大小;并且许多可能的变体的评估需要非常小的p值的高度精确的计算。我们证明了这个问题的癌症基因组学数据的标准对数秩检验导致许多假阳性体细胞突变和生存时间之间的关联。我们开发和分析了一种新的算法,精确对数秩检验(ExaLT),准确地计算p值的对数秩统计下的精确分布,适用于任何规模的人口。我们在已发表的癌症基因组学研究数据上证明了ExaLT的优势,发现与报告的p值存在显著差异。我们分析了癌症基因组图谱(TCGA)中六种癌症类型的体细胞突变,发现了与生存相关的已知突变以及几种新的关联。相比之下,对数秩检验的标准实现报告了几十个可能的假阳性关联,比这些已知的关联更重要。
2013-09-17 q-bio.QM stat.AP
Mapping of Lesion Images to Somatic Mutations
University of Illinois at Chicago(伊利诺伊大学香槟分校);University of Texas MD Anderson Cancer Center(德克萨斯大学MD安德森癌症中心)
本文提出LLOST模型,通过点云表示和共享潜在空间,将医学影像与体细胞突变数据关联,以预测突变特征和癌症类型。
2025-12-01 cs.CV q-bio.QM
Histopathological imaging features- versus molecular measurements-based cancer prognosis modeling
对于大多数(如果不是所有)癌症,预后是非常重要的,并且已经进行了广泛的建模研究。随着癌症的遗传本质,在过去的二十年里,人们已经探索了多种类型的分子数据(如基因表达和DNA突变)。最近,组织病理学成像数据,这是常规收集活检,已被证明是信息建模预后。在这项研究中,使用TCGA LUAD和LUSC数据作为展示,我们检查和比较使用基因表达与组织病理学成像特征建模肺癌总生存率。采用高维正则化方法进行估计和选择。我们的分析表明,基因表达具有稍好的预后性能。此外,大多数基因表达被发现是弱相关的成像特征。预计这项研究可以提供一些见解,利用这两种类型的重要数据在癌症预后建模和肺癌总生存率。
2020-06-05 eess.IV q-bio.QM stat.AP
Uncovering the Genetic Basis of Glioblastoma Heterogeneity through Multimodal Analysis of Whole Slide Images and RNA Sequencing Data
INSERM UMR 1037 Cancer Research Center of Toulouse (CRCT), University Paul Sabatier Toulouse III(里尔癌症研究中心(CRCT)、保罗·萨巴蒂埃大学图卢兹第三分校)
本研究针对胶质母细胞瘤侵袭性遗传机制不明的问题,采用多模态深度学习联合分析全玻片图像与RNA-seq数据,结合新型RNA-seq编码方法,发现相关新基因与可解释不同进展模式的遗传谱,为该病异质性机制及治疗靶点研究提供新方向。
2025-05-19 cs.AI q-bio.QM
A robust and lightweight deep attention multiple instance learning algorithm for predicting genetic alterations
University of Science and Technology of China(中国科学技术大学);The Fourth Affiliated Hospital of Anhui Medical University(安徽医科大学第四附属医院);Genmab Inc.(Genmab公司)
基于全切片数字病理学图像(WSIs)的深度学习模型在预测分子生物标志物方面越来越受欢迎。基于实例的模型已经成为使用WSI预测遗传改变的主流策略,尽管已经针对其他数字病理学应用提出了基于袋的模型以及基于自注意机制的算法。本文提出了一种新的基于注意力的多实例突变学习(AMIML)模型来预测基因突变。AMIML由连续的1-D卷积层、解码器和剩余权重连接组成,以促进进一步集成轻量级注意力机制来检测最具预测性的图像块。使用来自癌症基因组图谱(TCGA)研究(UCEC,BRCA,GBM和KIRC)中四个癌症队列的24个临床相关基因的数据,我们将AMIML与一个流行的基于实例的模型和四个最近发表的基于袋的模型(例如,CHOWDER、HE 2 RNA等)。AMIML表现出出色的鲁棒性,不仅在绝大多数测试基因(24个中的17个)中优于所有五种基线算法,而且在其他七个基因中也提供了接近最佳的性能。相反,基线公布的算法的性能在不同的癌症/基因中有所不同。此外,与已发表的遗传改变模型相比,AMIML在预测广泛的基因(例如,KIRC的KMT 2C、TP 53和SETD 2; BRCA的ERBB 2、BRCA 1和BRCA 2; UCEC的JAK 1、POLE和MTOR),以及其他临床相关基因突变的出色预测模型,这些在当前文献中尚未报道。此外,通过灵活和可解释的基于注意力的MIL池机制,AMIML可以进一步归…
2022-05-31 cs.AI cs.CV cs.LG
A Deep Autoencoder System for Differentiation of Cancer Types Based on DNA Methylation State
Imperial College London(帝国理工学院)
提出了一种基于深度自动编码器的内容检索算法,用于基于在称为CpG岛的遗传区域中鉴定的DNA甲基化的表观遗传模式的存在来预测和区分癌症类型。开发的深度学习系统使用CpG岛状态分类子系统来完成给定人类细胞系中缺失/不完整的岛数据集,然后通过一组复杂的统计和信号处理方法进行流水线处理,以准确预测癌症的存在,并在阳性结果的情况下进一步区分类型和起源细胞。所提出的系统与以前报道的数据来自四个病例组的癌细胞系,实现总体灵敏度为88.24%,特异性为83.33%,准确度为84.75%和马修斯相关系数为0.687。使用表观遗传事件作为识别模式来预测和区分癌症类型的能力在先前报道的来自乳腺癌、肺癌、淋巴母细胞白血病和泌尿系统癌细胞系的数据集中得到了证明,这使得流水线系统对于其他癌细胞系或表观遗传事件是鲁棒的和可调节的。
2018-10-05 cs.LG q-bio.QM stat.ML
CoMEt: A Statistical Approach to Identify Combinations of Mutually Exclusive Alterations in Cancer
癌症是一种异质性疾病,具有遗传和表观遗传改变的不同组合,驱动不同个体中癌症的发展。虽然这些改变被认为集中在关键细胞信号传导和调控途径中的基因上,但我们对这些途径的了解仍然不完整,因此很难通过它们在基因或已知途径中的复发来识别驱动改变。我们引入了互斥改变组合(CoMEt),这是一种识别从头改变组合的算法,无需任何先前的生物学知识(例如途径或蛋白质相互作用)。CoMEt搜索表现出互斥性的突变组合,这是一种预期的通路突变模式。CoMEt有几个重要的特点,区别于现有的方法来分析变化之间的互斥性。其中包括:互斥性的精确统计检验,其在检测包含罕见改变的组合时更敏感;同时鉴定一个或多个互斥改变组合的集合;同时分析亚型特异性突变;以及对互斥改变集合的集合进行汇总。这些功能使CoMEt能够稳健地识别影响多个通路或癌症标志的改变。我们表明,CoMEt优于现有的模拟和真实数据的方法。将CoMEt应用于来自TCGA的四种不同癌症类型的数百个样本,揭示了每种癌症类型中的多个互斥集。其中许多与已知的途径重叠,但另一些揭示了新的推定癌症基因。* 平等捐款。
2015-03-27 q-bio.QM stat.CO
Chromatin Laser Imaging Reveals Abnormal Nuclear Changes for Early Cancer Detection
我们开发并应用快速扫描激光发射显微镜来检测细胞核的异常变化,用于癌症和癌症前兆的早期诊断。染色质的调节对遗传发育和正常细胞功能至关重要,而异常的核变化可能导致许多疾病,特别是癌症。在比肿瘤发展更早的阶段检测明显正常组织中的异常变化的能力对于癌症预防至关重要。在这里,我们报告使用LEM分析结肠癌的风险小鼠的结肠组织通过检测前息肉核异常。通过对染色质的激光发射进行成像,我们发现,尽管在立体镜下没有可观察到的病变、息肉或肿瘤,但高脂肪小鼠的激光阈值明显低于低脂肪小鼠。事实上,低激光阈值与腺瘤非常相似,是由异常细胞增殖和染色质失调引起的,可能导致癌症。我们的研究结果表明,传统的方法,如结肠镜检查,可能不足以揭示隐藏或早期肿瘤的发展。我们设想,这项工作将提供新的见解LEM的早期肿瘤检测在临床诊断和基础生物学和生物医学研究的染色质变化在生物分子水平的癌症发展。
2018-07-19 physics.bio-ph physics.optics q-bio.QM
A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data
University of Waterloo(滑铁卢大学)
本文提出Cancer-Net BCa多机构开源乳腺癌CDI$^s$成像基准数据集,包含253例患者数据及详细标注,并分析其人口与肿瘤多样性,以推动机器学习辅助乳腺癌临床决策研究。
2023-04-12 cs.CV eess.IV q-bio.QM