Survival-supervised latent Dirichlet allocation models for genomic analysis of time-to-event outcomes
癌症临床研究中的两个挑战性问题是癌症亚型的表征和根据这些亚型对个体患者进行分类。解决这些问题的统计方法受到人口异质性和高维多样协变量数据集成固有挑战的阻碍。我们已经开发了一个生存监督潜在狄利克雷分配（survLDA）建模框架来解决这些问题。LDA模型已被证明在识别大型文本集合中的共同主题方面非常有效，但在基因组学中的应用却很有限。我们的框架将LDA扩展到基因组，将每个患者视为从临床和高维基因组测量构建的具有“文本”的“文档”。然后，我们进一步扩展的框架，以允许监督的时间到事件的响应。该模型能够有效识别患者亚组内共同出现的临床和基因组特征的集合，然后通过这些特征表征每个患者。survLDA在癌症基因组图谱（TCGA）卵巢项目中的应用确定了信息丰富的患者亚组，这些亚组的特征在于表现出异常mRNA表达和甲基化的不同倾向，对应于主要治疗的不同生存率。
2012-02-27 stat.AP stat.ME
A general kernel boosting framework integrating pathways for predictive modeling based on genomic data
Yale University（耶鲁大学）；Yale School of Medicine（耶鲁医学院）
基于基因组数据的预测建模在生物医学研究和临床实践中越来越受欢迎，因为它允许研究人员和临床医生更有效地识别生物标志物并定制治疗决策。结合途径信息的分析可以提高发现能力，并更好地将新发现与生物机制联系起来。在这篇文章中，我们提出了一个通用的框架，基于通路的内核提升（PKB），它结合了临床信息和先验知识的预测二进制，连续和生存结果的途径。我们引入适当的损失函数和优化程序，为不同的结果类型。我们的预测算法通过从路径构建核函数空间来整合路径知识，并将其用作提升过程中的基础学习者。通过对药物反应和癌症生存数据集的广泛模拟和案例研究，我们证明PKB可以大大优于其他竞争方法，更好地识别与药物反应和患者生存相关的生物学途径，并为癌症发病机制和治疗反应提供新的见解。
2021-01-31 cs.LG stat.ML
Network Methods for Pathway Analysis of Genomic Data
在高通量技术的快速发展，导致相当大的兴趣在分析基因组规模的数据的背景下，生物途径，与识别功能系统的目标是参与一个给定的表型。在最常见的方法中，生物学途径被建模为简单的基因组，忽略了包括途径的相互作用网络，并将所有基因视为对途径功能同等重要。最近，已经提出了一些新的方法来整合路径拓扑结构的分析，利用现有的知识，使复杂的生物系统的更细致入微的模型。然而，很少有指导研究在这些方法之间进行选择。在这篇综述中，我们讨论了八种基于拓扑的方法，比较了它们的方法和适当的用例。此外，我们提出了这些方法的应用程序的结果，一组策划的10个基因表达谱研究使用一组共同的途径注释。我们报告的方法的计算效率和跨方法和研究的结果的一致性，以帮助指导用户选择一种方法。我们还讨论了改进的网络分析方法的挑战和未来前景。
2014-11-07 q-bio.GN q-bio.MN q-bio.QM
Cancer gene prioritization by integrative analysis of mRNA expression and DNA copy number data: a comparative review
各种全基因组分析技术可用于探测基因组结构和功能的互补方面。异构数据源的集成分析可以揭示基于单个观察无法检测到的更高级别的交互。癌症研究中的标准整合任务是基于全基因组基因表达和拷贝数分析测量的联合分析来鉴定诱导相关基因表达变化的改变的基因组区域。在这篇综述中，我们提供了各种建模程序之间的比较，整合基因拷贝数和转录改变的全基因组分析数据，并强调基因组数据整合的常见方法。一个透明的基准程序，引入定量比较癌症基因优先级的替代方法的性能。基准测试算法和数据集可在http://intcomp.r-forge.r-project.org上获得
2011-11-20 cs.CE q-bio.GN stat.AP
A Neural Network Model to Classify Liver Cancer Patients Using Data Expansion and Compression
Cancer Research Center, University of Hawaii at Manoa（夏威夷大学马诺阿分校癌症研究中心）
我们开发了一个神经网络模型，利用基因组数据将肝癌患者分为高风险和低风险组。我们的方法提供了一种新的技术来分类大数据集使用神经网络模型。我们在训练神经网络模型之前对数据进行预处理。我们首先使用小波分析扩展数据。然后，我们压缩小波系数映射到一个新的缩放正交坐标系。然后，这些数据被用来训练一个神经网络模型，使我们能够将癌症患者分为高风险和低风险两个不同的类别。我们使用留一法来建立一个神经网络模型。这种神经网络模型使我们能够使用基因组数据将患者分类为高风险或低风险患者，而无需任何关于患者生存时间的信息。将基因组数据分析的结果与存活时间分析进行比较。结果表明，利用小波分析和奇异值分解（SVD）对数据进行扩展和压缩是训练神经网络模型的关键。
2016-11-25 cs.LG q-bio.QM stat.ML
Inferring network structure in non-normal and mixed discrete-continuous genomic data
通过无向图推断依赖结构对于揭示可能与癌症相关的高维基因组标记之间的多变量相互作用的主要模式至关重要。传统上，条件独立性已经使用稀疏高斯图形模型的连续数据和稀疏伊辛模型的离散数据进行了研究。然而，在两种明显的情况下，这些方法是不够的。第一种情况发生在数据是连续的，但显示出非正态的边缘行为，如厚尾或偏态，使正态性的假设不合适。第二种情况发生在数据的一部分是有序的或离散的（例如，突变的存在或不存在）而另一部分是连续的（例如，基因或蛋白质的表达水平）。在这种情况下，现有的贝叶斯方法通常采用一个潜在的变量框架的离散部分，排除推断的条件独立的数据，实际观察。目前的文章克服了这两个挑战，在一个统一的框架使用高斯尺度混合。我们的框架能够处理不正常的连续数据和具有混合连续和离散性质的数据，同时仍然能够在观察到的数据中推断出稀疏的条件符号独立结构。在模拟与替代技术和一个真正的癌症基因组学数据集的分析广泛的性能比较表明，所提出的方法的有效性。
2016-04-01 stat.ME
Fusion of Tree-induced Regressions for Clinico-genomic Data
针对临床与组学协变量融合用于癌症预后的维度差异、交互、冗余三大挑战，提出结合临床协变量回归树与组学叶节点融合惩罚回归的方法，证明其收缩极限等价于特定岭回归，可评估亚群组学效应的预后增益，并在结直肠癌数据中验证特性。
2024-11-04 stat.ME
CAPRI: Efficient Inference of Cancer Progression Models from Cross-sectional Data
我们设计了一种新的推理算法，有效地解决了癌症进展模型重建问题。我们的准确性和收敛速度的实证分析，我们的算法，CAPRI的预测推理（CAPRI），表明它优于国家的最先进的算法解决类似的问题。动机：几个癌症相关的基因组数据已经变得可用（例如，癌症基因组图谱，TCGA）通常涉及数百名患者。目前，大多数这些数据都是以横截面的方式汇总的，提供了诊断时的所有测量结果。我们的目标是从这些数据中推断癌症进展模型。这些模型表示为选择性关系集合的有向无圈图（DAG），其中基因A中的突变选择基因B中的随后突变。深入了解这种进展的结构有可能改善患者的分层和个性化治疗选择。结果如下：CAPRI算法依赖于基于Suppes开发的概率理论的评分方法，加上自举和最大似然推断。所得到的算法是有效的，达到高精度，并具有良好的复杂性，同时，在收敛性能。CAPRI在数据中存在噪声和样本量有限的情况下表现尤其出色。此外，CAPRI，与其他方法相比，强大的重建不同类型的融合轨迹，尽管不规则的data.We还报告正在进行的调查，使用CAPRI研究非典型慢性髓细胞白血病，我们发现了非平凡的选择性关系和排他性模式之间的关键基因组事件。
2015-05-07 math.ST stat.TH
Understanding genomic alterations in cancer genomes using an integrative network approach
近年来，癌症基因组测序和癌症基因组的其他高通量研究已经产生了许多值得注意的发现。本文就染色体危机和突变风暴等基因组变异的新机制及其与癌症的关系作一综述。基因组改变刺激癌症基因组进化。因此，肿瘤克隆进化与肿瘤干细胞之间的关系进行了评论。癌症生物学的关键问题是这些基因组改变如何在生物功能的背景下支持癌症的发展和转移。到目前为止，诸如途径分析的努力已经提高了对基因突变和DNA拷贝数变异对癌症发展、进展和转移的功能贡献的理解。然而，已知的途径对应于一小部分（可能是5- 10%）体细胞突变和拷贝数改变的基因。为了全面了解这些基因组改变在癌症中的功能，提出并讨论了一个综合网络框架。最后，对利用综合网络方法研究癌症组学数据的挑战和方向进行了评论。
2014-09-10 q-bio.GN q-bio.MN
An integrative sparse boosting analysis of cancer genomic commonality and difference
在癌症研究中，高通量分析已被广泛进行。在最近的研究中，对多个癌症患者组/亚组的数据进行了综合分析。这种分析有可能揭示基因组的共性以及组/亚组之间的差异。然而，在现有的文献中，特别关注基因组共性和差异的方法非常有限。在这项研究中，一种新的估计和标记选择方法的基础上稀疏增强技术，以解决共性/差异的问题。在技术创新方面，引入了新的惩罚和增量计算方法。该方法还可以有效地适应协变量的分组结构。仿真结果表明，它可以在广泛的设置下优于直接竞争对手。对两个TCGA（The Cancer Genome Atlas）数据集的分析表明，该方法能够识别出具有重要生物学意义的标记，并具有令人满意的预测性和稳定性。
2022-11-28 q-bio.GN stat.AP stat.ME
Computational modelling in single-cell cancer genomics: methods and future directions
单细胞技术通过以单细胞分辨率对多个系统的基因组、转录组和蛋白质组进行可扩展测量，彻底改变了生物医学研究。现在广泛应用于癌症模型，这些测定提供了对肿瘤异质性的新见解，这是癌症发生，进展和复发的基础。然而，单细胞测定产生的大量高维噪声数据可能使数据分析复杂化，使生物信号与技术伪影模糊不清。在这篇综述文章中，我们概述了分析单细胞癌症基因组学数据的主要挑战，并调查了目前可用于解决这些问题的计算工具。我们进一步概述了未解决的问题，我们认为未来的方法开发的主要机会，以帮助解释产生的大量数据。
2020-05-04 q-bio.GN stat.AP
Computational genomic algorithms for miRNA-based diagnosis of lung cancer: the potential of machine learning
大规模、高通量基因组筛选的出现引入了广泛的用于诊断目的的测试。其中突出的是使用miRNA表达水平的测试。基因组学和蛋白质组学现在一次提供数百种miRNA的表达水平。然而，为了使实际的诊断工具成为现实，需要同时开发方法来解释可以从单个患者样本中生成的大量miRNA表达数据。因为这些数据是数字形式的，所以必须发展定量方法。p值和对数倍数变化等统计数据提供了一些见解，但必须首先评估每个miRNA测试的诊断有效性。在这里，作者开发了一种传统的，基于灵敏度和特异性的算法，以及一种现代机器学习算法，并根据公开的数据库评估了它们对肺癌的诊断潜力。研究结果表明，机器学习算法实现了更高的准确性（癌症样本为97%，正常样本为73%），此外还提供了可以提供有价值的诊断支持的置信区间。机器学习算法还具有扩展到更复杂的肺癌亚型诊断、其他癌症以及癌症以外的疾病的巨大潜力。这两种算法都可以在Github repo上找到：https://github.com/neerja-g/machine-learning-miRNA。
2016-11-04 q-bio.GN
COSINE: A Web Server for Clonal and Subclonal Structure Inference and Evolution in Cancer Genomics
癌症从单细胞突变演变而来，具有体细胞突变获得的连续克隆和亚克隆扩增。从大量或单细胞肿瘤基因组测序数据推断克隆和亚克隆结构对癌症演变研究具有巨大影响。克隆状态和突变顺序可以提供详细的洞察肿瘤的起源和它的未来发展。在过去的十年中，已经开发了多种方法用于使用大量肿瘤测序数据进行亚克隆重建。由于这些方法是用不同的编程语言开发的，并且使用不同的输入数据格式，因此它们的使用和比较可能存在问题。因此，我们建立了一个网络服务器的克隆和亚克隆结构推断和进化的癌症基因组数据（COSINE），其中包括12个流行的亚克隆重建方法。我们通过单个处理步骤的详细工作流程和用户友好的界面分解了每种方法。据我们所知，这是第一个提供在线亚克隆推理的Web服务器，包括最流行的亚克隆重建方法。COSINE可在www.clab-cosine.net或http://bio.rj.run:48996/cun-web上免费访问。
2021-03-28 q-bio.GN
Addressing Ancestry Disparities in Genomic Medicine: A Geographic-aware Algorithm
随着测序成本的下降，癌症诊断领域出现了一种有前途且负担得起的工具：基因组学。通过使用关联研究，可以识别使患者易患特定癌症的基因组变异，而通过使用肿瘤基因组学，可以表征癌症类型以进行靶向治疗。然而，在精确癌症诊断和治疗计划的这一新领域，一个严重的差距正在迅速出现，这将一些遗传特征良好的人群（主要是欧洲人）与所有其他全球人群分开。在这里，我们讨论了特定人群的遗传协会，这是驱动这种差异的问题，并提出了一种新的解决方案-坐标为基础的本地血统-为帮助解决它。我们展示了我们的增强为基础的方法对全基因组数据来自非洲各地的不同群体，并在此过程中观察信号，可能源于横贯大陆的班图扩张。
2020-04-25 q-bio.GN q-bio.PE
Multimodal fusion of imaging and genomics for lung cancer recurrence prediction
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；IBM Research（IBM研究院）
肺癌在早期患者中的复发率很高。传统上，使用基因组学或放射学图像的单一模态信息来预测肺癌患者的手术后复发。我们调查这项任务的多模态融合的潜力。通过结合计算机断层扫描（CT）图像和基因组学，我们证明了使用线性Cox比例风险模型与弹性网络正则化的复发预测。我们研究了最近一个包含130名患者的非小细胞肺癌（NSCLC）放射基因组学数据集，观察到一致性指数值增加了10%。采用神经网络文献中的非线性方法，如多层感知器和视觉问答融合模块，并没有始终如一地提高性能。这表明需要更大的多模态数据集和融合技术更好地适应这种生物环境。
2020-02-05 cs.LG eess.IV eess.SP
TRONCO: an R package for the inference of cancer progression models from heterogeneous genomic data
动机：我们介绍TRONCO（TRANSIonal ONCOlogy），这是一个开源的R软件包，它实现了最先进的算法，用于从（epi）基因组突变谱推断癌症进展模型。TRONCO可用于提取群体水平模型，描述横断面样本队列中变化的累积趋势，例如，从公开可用的数据库中检索，以及揭示单个癌症患者中克隆进化历史的个体水平模型，当多个样品，例如，多个活组织检查或单细胞测序数据是可用的。由此产生的模型可以为揭示癌症的进化轨迹提供关键线索，特别是对于精准医学或个性化治疗。可用性：TRONCO是在GPL许可下发布的，它托管在http://bimib.disco.unimib.it/的软件部分，也存档在bioconductor. org。联系方式：tronco@disco.unimib.it
2016-02-10 q-bio.GN q-bio.QM stat.AP
CIBRA identifies genomic alterations with a system-wide impact on tumor biology
CIBRA通过整合基因组学和转录组学数据，识别对肿瘤生物学具有系统级影响的基因组改变，并发现结构变异的影响常被低估，可用于优先排序癌症生物标志物。
2024-03-06 q-bio.GN q-bio.QM
Cancer-inspired Genomics Mapper Model for the Generation of Synthetic DNA Sequences with Desired Genomics Signatures
School of Mechanical Engineering, Tel Aviv University（特拉维夫大学机械工程学院）；Department of Cancer Biology, Cancer Institute, University College London（伦敦大学学院癌症研究所癌症生物学系）
针对现有基因组生成器忽视生物学关系约束的问题，本文提出结合GA与DL的CGMM，将对照基因组转化为目标表型合成基因组，并在两项任务上优于四种现有生成器。
2023-05-01 cs.LG cs.NE q-bio.GN
Combining chromosomal arm status and significantly aberrant genomic locations reveals new cancer subtypes
许多类型的肿瘤表现出染色体丢失或获得，以及局部扩增和缺失。在任何给定的肿瘤类型中，也观察到样品特异性扩增和缺失。通常，在更多肿瘤中异常或其拷贝数变化更强的区域将被认为是与癌症生物学相关的更有希望的候选者。我们寻求一种直观的方法来定义这种畸变并对其进行优先排序。我们将与像差相关联的体积V定义为三个因子的乘积：具有畸变的患者的分数，b.像差长度和c.其幅度。我们的算法将来自真实数据的V值与通过排列获得的空分布进行比较，并产生V测量值的统计显著性p值。我们检测到显著异常的遗传位置，并将其与染色体臂状态相结合，以创建肿瘤基因组的简洁指纹。该基因组指纹用于可视化肿瘤，突出显示共同发生或相互排斥的事件。我们将该方法应用于髓母细胞瘤和神经母细胞瘤的三个不同的公共阵列CGH数据集，并证明了其检测已知在测试的癌症类型中发生改变的染色体区域的能力，以及建议新的基因组位置进行测试。我们发现了一种潜在的髓母细胞瘤新亚型，类似于神经母细胞瘤1型。
2008-12-09 q-bio.GN
Deep Biological Pathway Informed Pathology-Genomic Multimodal Survival Prediction
Genentech（基因泰克）；University of Central Florida（中佛罗里达大学）
多模态数据（如病理图像和基因组数据）的整合对于理解癌症的异质性和个性化治疗的复杂性以及增强生存预测至关重要。尽管在整合病理学和基因组数据方面取得了进展，但大多数现有方法不能彻底挖掘复杂的模态间关系。此外，从这些控制临床前发现和临床预测的模型中识别可解释的特征对于癌症诊断，预后和治疗反应研究至关重要。我们提出了PONET-一种新的生物学途径知情的病理学-基因组深度模型，它集成了病理图像和基因组数据，不仅可以改善生存预测，还可以识别导致患者不同生存率的基因和途径。六个癌症基因组图谱（TCGA）数据集的实证结果表明，我们提出的方法实现了卓越的预测性能，并揭示了有意义的生物学解释。所提出的方法建立了对如何在多模态生物医学数据上训练生物信息深度网络的见解，这将对理解疾病和预测对治疗的反应和抵抗具有普遍适用性。
2023-01-06 cs.LG eess.IV q-bio.GN
Machine learning prediction of cancer cell sensitivity to drugs based on genomic and chemical properties
European Bioinformatics Institute（欧洲生物信息学研究所）；Wellcome Trust Sanger Institute（维康桑格研究所）；Massachusetts General Hospital Cancer Center（麻省总医院癌症中心）
预测特定癌症对治疗的反应是现代肿瘤学的一个主要目标，最终应该导致个性化治疗。针对一组基因组异质性癌细胞系的潜在活性化合物的高通量筛选揭示了基因组改变和药物反应之间的多种关系。已经提出了各种计算方法来预测基于基因组特征的敏感性，而其他方法则使用药物的化学性质来确定其效果。为了整合这些互补的方法，我们开发了机器学习模型来预测癌细胞系对药物治疗的反应，通过IC 50值量化，基于细胞系的基因组特征和所考虑药物的化学性质。模型在8倍交叉验证和独立盲法检验中预测了IC50值，决定系数R2分别为0.72和0.64。此外，模型能够以相当的准确度（R2为0.61）预测来自训练阶段未使用的组织的细胞系的IC 50。我们的计算机模型可用于优化药物细胞筛选的实验设计，方法是估计大部分缺失的IC50值，而不是通过实验测量它们。我们的研究结果的意义超越了虚拟药物筛选设计：可能有数千种药物可以在计算机上进行探测，以系统地测试它们作为基于其结构的抗肿瘤药物的潜在功效，从而提供一个计算框架来识别新的药物重新定位机会，并最终通过将患者的基因组特征与药物敏感性联系起来，用于个性化医疗。
2013-03-18 cs.CE cs.LG q-bio.CB
Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable Multimodal Deep Learning
Brigham and Women’s Hospital（布莱根妇女医院）；Harvard Medical School（哈佛医学院）；Broad Institute of Harvard and MIT（哈佛-麻省理工学院博德研究所）；Dana-Farber Cancer Institute（丹娜-法伯癌症研究所）；Harvard University（哈佛大学）
基于深度学习的计算病理学这一迅速兴起的领域已经证明了从组织学全切片图像开发客观预后模型的前景。然而，大多数预后模型要么是基于组织学或基因组学单独和不解决如何组织学和基因组学可以集成开发联合图像组学预后模型。此外，从这些模型中识别可解释的形态和分子描述符来控制此类预后也很有意义。我们使用多模态深度学习来整合来自14种主要癌症类型的5，720名患者的千兆像素全载玻片病理图像，RNA-seq丰度，拷贝数变异和突变数据。我们的可解释、弱监督、多模态深度学习算法能够融合这些异质模态来预测结果，并通过多模态可解释性从这些模态中发现与不良和有利结果相印证的预后特征。我们将我们的模型与仅在组织学切片和分子谱上训练的单峰深度学习模型进行了比较，并证明了14种癌症中有9种的风险分层性能提高。此外，我们分析了负责所有癌症类型预后预测的形态学和分子标记物。所有分析的数据，包括在疾病和患者水平上跨14种癌症类型的患者预后的形态学和分子学相关性，都呈现在交互式开放访问数据库（http：//www.example.com）中，以允许进一步探索和预后生物标志物发现。pancancer.mahmoodlab.org为了验证这些模型解释是预后的，我们进一步分析了WSIs中高度关注的形态学区域，这表明肿瘤浸润淋巴细胞的存在证实了所研究的14种癌症类型中的9种癌症预后良好。
2021-08-04 cs.AI cs.CV q-bio.GN
Pathomic Fusion: An Integrated Framework for Fusing Histopathology and Genomic Features for Cancer Diagnosis and Prognosis
Broad Institute of Harvard and MIT（哈佛大学与麻省理工学院博德研究所）；Dana-Farber Cancer Institute（丹娜法伯癌症研究院）；Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系）
癌症诊断、预后和治疗反应预测基于组织学切片的形态信息和基因组数据的分子谱。然而，大多数基于深度学习的客观结果预测和分级范例仅基于组织学或基因组学，并且不以直观的方式利用互补信息。在这项工作中，我们提出了Pathomic Fusion，这是一种可解释的策略，用于组织学图像和基因组（突变，CNV，RNA-Seq）特征的端到端多模态融合，用于生存结果预测。我们的方法模型的两两特征之间的相互作用，通过采取Kronecker产品的单峰特征表示，并通过基于门控的注意力机制控制每个表示的表现力。在监督学习之后，我们能够解释和突出地定位每种模态的特征，并理解在多模态输入条件下特征重要性如何变化。我们使用来自癌症基因组图谱（TCGA）的神经胶质瘤和透明细胞肾细胞癌数据集验证了我们的方法，该数据集包含配对的全载玻片图像，基因型和转录组数据，以及真实生存率和组织学等级标签。在15倍交叉验证中，我们的结果表明，所提出的多模态融合范例改善了来自地面实况分级和分子亚型的预后确定，以及仅在组织学和基因组数据上训练的单峰深度网络。所提出的方法建立了关于如何以直观的方式在多模态生物医学数据上训练深度网络的见解和理论，这将有助于医学中的其他问题，这些问题寻求将异构数据流结合起来以理解疾病并预测对治疗的反应和抵抗。
2020-09-03 cs.CV q-bio.GN q-bio.TO
GenoMorph: Pathway-Grounded Genomic Disease Reasoning via Adaptive Latent Computation
Indian Institute of Technology Patna（印度理工学院巴特那分校）
GenoMorph通过将基因组序列与潜在通路动态对齐，实现基于通路的疾病推理，在匿名基准上显著提升F1并降低延迟，优于依赖记忆关联的现有方法。
2026-09-29 cs.AI q-bio.GN
DRIVE: Machine Learning to Identify Drivers of Cancer with High-Dimensional Genomic Data & Imputed Labels
Cambridge Cancer Genomics（剑桥癌症基因组学公司）；The University of Edinburgh（爱丁堡大学）
识别驱动癌症生长的突变是临床决策和精确肿瘤学的关键。由于驱动突变赋予选择性优势，因此发生的可能性增加，因此目前倾向于使用基于频率的统计模型。这些方法不适用于罕见的、低频率的驱动突变。解决这个问题的另一种方法是通过功能影响评分，但是使用这种方法的方法非常容易出现误报。在本文中，我们提出了一种新的驱动程序突变识别的组合方法，它使用的统计建模和功能影响的方法的力量。初步结果表明，这种方法优于国家的最先进的方法在精度方面，并提供了相当的性能在受试者工作特征曲线（AU-ROC）下的面积。我们相信，基于机器学习的数据驱动系统，例如这些，将在不久的将来成为精准肿瘤学的一个组成部分。
2021-05-02 cs.LG q-bio.GN
A Drug Recommendation System (Dr.S) for cancer cell lines
Centrum Wiskunde & Informatica（数学与计算机科学中心）；Utrecht University（乌得勒支大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Maastricht University Medical Centre+（马斯特里赫特大学医学中心+）
基于基因组信息的癌症护理中的个性化药物处方需要将基因组标记与处理效应相关联。这是一个尚未解决的挑战，需要基因组患者数据在尚未获得的卷以及适当的定量方法。我们试图解决这个挑战的实验代理，其中有足够的数据：42种药物测试1018癌细胞系。我们的目标是开发一种方法，以确定药物是最有前途的基础上细胞系的基因组信息。为此，我们需要为每种药物确定机器学习方法，选择超参数和基因组特征以获得最佳预测性能。我们广泛比较了所有42种药物的基因集（策划和随机），遗传特征和机器学习算法的组合。对于每种药物，选择表现最好的组合（仅考虑策划的基因集）。我们使用每种药物的这些顶级模型参数来构建和演示药物推荐系统（Dr.S）。从这种分析中得出的见解被制定为开发药物推荐系统的最佳实践。完整的软件系统，称为细胞系分析仪，是用Python编写的，可以在github上找到。
2019-12-24 cs.LG q-bio.GN q-bio.QM
High-order chromatin architecture determines the landscape of chromosomal alterations in cancer
癌症基因组结构信息的快速增长为更好地理解癌症基因组改变的突变机制和作用于它们的选择力提供了机会。在这里，我们测试了两个主要力量的证据，空间染色体结构和净化（或负）选择，塑造了癌症中体细胞拷贝数改变（SCNAs）的景观。使用最大似然框架，我们比较SCNA地图和三维基因组结构，确定全基因组染色体构象捕获（HiC）和所提出的分形球（FG）模型2。该分析提供了癌症中染色体改变的分布在空间上与三维基因组结构相关的证据，并且还表明纯化选择以及阳性选择在癌细胞的体细胞进化期间塑造了SCNA的景观。
2011-09-06 q-bio.GN
Computational methods for cancer driver discovery: A survey
动机：揭示癌症的基因组原因，即癌症驱动基因，是生物医学研究的一项基本任务。癌症驱动基因驱动癌症的发展和进展，因此识别癌症驱动基因及其调控机制对于癌症治疗和干预的设计至关重要。利用计算机科学和数据科学的优势，已经开发了许多计算方法，以利用多种类型的基因组数据来揭示癌症驱动因素及其在癌症发展和进展背后的调控机制。由于癌症基因驱动癌症机制的复杂性和该领域的快速发展，有必要对当前发现不同类型癌症驱动因子的计算方法进行全面回顾。结果：我们调查了从基因组数据中识别癌症驱动因素的计算方法。我们将这些方法分为三组，用于单个驱动程序识别的方法，用于驱动程序模块识别的方法，以及用于识别个性化癌症驱动程序的方法。我们还进行了一个案例研究，比较目前的方法的性能。我们进一步分析了当前方法的优点和局限性，并讨论了该主题的挑战和未来的发展方向。此外，我们调查了用于发现和验证癌症驱动程序的资源，以便提供一站式的工具参考，以促进癌症驱动程序的发现。本文的最终目的是帮助那些对该主题感兴趣的人建立一个坚实的背景，以开展该领域的进一步研究。
2020-07-02 cs.CE q-bio.GN
arrayMap: A Reference Resource for Genomic Copy Number Imbalances in Human Malignancies
背景资料：从癌症样本中描绘基因组拷贝数异常（CNA）有助于鉴定肿瘤抑制基因和癌基因，并被证明可用于临床标志物检测。越来越多的项目已经使用基于高分辨率微阵列的技术绘制了CNA。到目前为止，没有一个单一的资源提供了一个全球性的收集容易获得的癌基因组阵列数据。方法/主要发现：我们在这里介绍了arrayMap，一个精心策划的参考数据库和生物信息学资源，目标是人类癌症的拷贝数分析数据。arrayMap数据库为高分辨率癌基因组CNA数据的荟萃分析和系统级数据集成提供了一个平台。到目前为止，该资源整合了从多个资源中提取的224种癌症类型的40，000多个阵列，包括NCBI的基因表达Omnibus（GEO），EBI ArrayExpress（AE），癌症基因组图谱（TCGA），出版补充和直接提交。对于大多数包含的数据集，探针水平和集成可视化有助于基因水平和基因组范围的数据重新查看。多案例选择的结果可以连接到下游数据分析和可视化工具。结论/意义：据我们所知，目前没有数据源提供广泛收集的高分辨率癌基因组CNA数据，这些数据可以很容易地用于在癌症实体的代表性范围内进行基因组特征挖掘。arrayMap代表了我们为独立于特定平台考虑或特定项目依赖性的癌基因组CNA数据提供长期平台的努力。在线数据库可访问http://www.arraymap.org。
2012-01-11 q-bio.GN q-bio.MN
A Multi-Evidence Framework Rescues Low-Power Prognostic Signals and Rejects Statistical Artifacts in Cancer Genomics
针对癌症基因组学低功效队列中标准关联研究失效的问题，提出融合因果推断与多维度生物学验证的五标准多证据框架，可有效区分真假预后信号，为低功效队列分析提供新范式。
2025-10-21 cs.LG q-bio.GN
The Discovery of Mutated Driver Pathways in Cancer: Models and Algorithms
人类癌症的发病机制仍然知之甚少。随着高通量测序技术的快速发展，产生了大量的癌症基因组学数据。破译这些数据给计算生物学家带来了巨大的机遇和挑战。其中一个关键挑战是区分驾驶员突变，基因以及乘客的途径。基因突变的互斥性（每个患者在基因集中具有不超过一个突变）已经在各种癌症类型中观察到，并且因此已经被用作驱动基因集或途径的重要性质。在这篇文章中，我们的目的是审查最近的发展，发现驱动程序的途径或模块在癌症的计算模型和算法，重点是相互排斥的基础上。
2016-04-05 q-bio.GN
Phenotypic divergence of Homo sapiens is driven by the evolution of human-specific genomic regulatory networks via two mechanistically distinct pathways of creation of divergent regulatory DNA sequences
University of California, San Diego（加州大学圣地亚哥分校）
本研究揭示了人类表型分化由两种机制不同的路径驱动，通过人类特有基因组调控网络的进化，产生差异性调控DNA序列。
2015-10-30 q-bio.GN
Functional Integrative Bayesian Analysis of High-dimensional Multiplatform Genomic Data
多平台分子和基因组学数据的收集和传播的快速发展为聚合这些数据以了解、预防和治疗人类疾病带来了巨大的机会。虽然在多组学数据整合方法中已经取得了显着改进，以发现预后和治疗的生物标志物和机制，但控制这些复杂机制的精确细胞功能仍然需要详细和数据驱动的从头评估。我们提出了一个框架，称为高维多平台基因组数据的功能整合贝叶斯分析（fiBAG），它允许同时识别蛋白质基因组生物标志物的上游功能证据，并将这些知识纳入贝叶斯变量选择模型，以提高信号检测。fiBAG采用高斯过程模型的合并，通过贝叶斯因子量化（可能是非线性的）功能证据，然后将其映射到新的校准尖峰和平板先验，从而指导选择并提供与患者结局相关的功能相关性。使用模拟，我们说明了如何与功能校准的综合方法有更高的权力，以检测疾病相关的标志物比非综合的方法。我们通过对14种癌症类型的泛癌症分析来证明fiBAG的盈利能力，以识别和评估与癌症干性和患者生存相关的蛋白基因组标志物的细胞机制。
2022-12-29 q-bio.GN q-bio.QM stat.AP
Integrative analysis reveals disrupted pathways regulated by microRNAs in cancer
微小RNA（microRNAs，miRNAs）是一种内源性小分子，在转录后调节基因表达。尽管miRNAs的差异表达与许多疾病（包括癌症）有关，但其潜在的作用机制仍不清楚。由于每个miRNA都可以靶向多个基因，因此miRNA可能对整个通路的整体行为具有潜在的功能意义。在这里，我们使用一种先验整合途径信息的新方法，通过对miRNA和mRNA表达数据的综合分析来研究miRNA失调的功能后果。通过寻找健康组织和肿瘤组织之间不同的miRNA通路相关性，我们确定了在癌症中被破坏的系统水平上的特定关系。我们的方法的动机是假设，如果一个miRNA和通路相关，那么miRNA的表达和通路中基因的集体行为将相关。因此，我们首先使用Isomap获得基于表达的途径活性摘要，Isomap是一种降维方法，可以在高维数据中表达非线性结构。然后，我们寻找与表型之间的通路汇总表现出差异相关性的miRNA，作为发现肿瘤中异常miRNA通路共调节的手段。我们将我们的方法应用于癌症数据，使用来自癌症基因组图谱（TCGA）的基因和miRNA表达数据集，并比较来自四种组织（乳腺、前列腺、肺和肝）的健康和肿瘤样本之间的${\sim}10^5$ miRNA通路关系。我们发现的许多标记对都有破坏癌症的生物学基础。
2017-08-18 q-bio.GN
Predicting drug response of tumors from integrated genomic profiles by deep neural networks
Greehey Children’s Cancer Research Institute, University of Texas Health Science Center at San Antonio（德克萨斯大学圣安东尼奥健康科学中心格里希儿童癌症研究所）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Northwestern Polytechnical University（西北工业大学）；Department of Epidemiology and Biostatistics, University of Texas Health Science Center at San Antonio（德克萨斯大学圣安东尼奥健康科学中心流行病学与生物统计学系）
从药物基因组学的角度对高通量基因组图谱的研究为调节药物反应的致癌特征提供了前所未有的见解。最近对约1,000种癌细胞系进行的抗癌药物筛选揭示了基因型与易感性之间的联系。然而，由于细胞系和肿瘤之间的本质差异，预测肿瘤中的药物反应仍然具有挑战性。在这里，我们提出了一个DNN模型，根据癌细胞或肿瘤的突变和表达谱来预测药物反应。该模型包含一个突变和一个表达编码器，这些编码器使用大型泛癌症数据集进行预训练，以抽象高维数据的核心表示，然后是药物反应预测器网络。给定一对突变和表达谱，该模型预测265种药物的IC 50值。我们在622个癌细胞系的数据集上训练和测试了该模型，并在1.96（对数尺度IC 50值）处实现了均方误差的总体预测性能。在预测误差或稳定性方面，该模型的性能优于两种经典方法和我们模型的四种模拟DNN。然后，我们应用该模型预测了33种癌症类型的9，059种肿瘤的药物反应。该模型预测了两种已知的药物，包括非小细胞肺癌中的EGFR抑制剂和ER+乳腺癌中的他莫昔芬，以及新的药物靶点。综合分析进一步揭示了泛癌症背景下对化疗药物多西他赛耐药的分子机制，以及新型药物CX-5461治疗胶质瘤和造血系统恶性肿瘤的抗癌潜力。总的来说，我们的模型和研究结果改善了药物反应的预测和新治疗方案的识别。
2018-05-20 cs.LG q-bio.GN stat.ML
Detection of Epigenomic Network Community Oncomarkers
在本文中，我们提出了网络方法来推断预后癌症生物标志物的基础上表观遗传模式DNA甲基化。DNA甲基化等表观遗传过程反映了环境风险因素，并且越来越多地认识到它们在癌症等疾病中的基本作用。DNA甲基化是一种基因调控模式，因此提供了一种评估基因组调控相互作用的方法。网络模型是表示和分析此类交互组的自然方法。随着数据量和变量数量的增加，网络模型的实用性也在增加，这使得它们与大规模基因组研究越来越相关。我们提出了一种方法来推断预后基因组网络从DNA甲基化为基础的基因组相互作用和协会的措施。然后，我们展示了如何从这些网络中识别预后生物标志物，我们称之为“网络社区肿瘤标志物”。我们说明了我们提出的方法在一个大型公开的乳腺癌数据集的背景下的力量。
2016-08-01 q-bio.GN q-bio.MN stat.AP
Discovery of cancer common and specific driver gene sets
癌症被认为是一种主要由基因改变引起的疾病。发现突变的驱动途径或基因集正在成为理解致癌分子机制的重要一步。然而，系统地研究多种癌症类型之间驱动基因集的共性和特异性仍然是一个巨大的挑战，但这项研究无疑将有利于破译癌症，并有助于癌症治疗中的个性化治疗和精准医学。在这项研究中，我们提出了两个优化模型，\emph{de novo}发现共同的驱动基因集之间的多种癌症类型（ComMDP）和特定的驱动基因集的一种或多种癌症类型的其他癌症（SpeMDP），分别。我们首先将ComMDP和SpeMDP应用于模拟数据以验证其效率。然后，我们进一步将这些方法应用于癌症基因组图谱（TCGA）中的12种癌症类型，并获得了几个具有生物学意义的驱动途径。例如，我们构建了BRCA和OV的共同癌症通路模型，基于BRCA与8种癌症类型的共同驱动基因集推断了BRCA致癌作用的复杂驱动通路模型，并研究了液体癌淋巴母细胞性急性髓性白血病（LAML）与其他实体癌类型的特定驱动通路。在这些过程中，还发现了更多的候选癌症基因。
2016-12-30 q-bio.GN
PathoGen-X: A Cross-Modal Genomic Feature Trans-Align Network for Enhanced Survival Prediction from Histopathology Images
针对基因组数据成本高难获取的问题，提出PathoGen-X跨模态深度学习框架，训练时结合基因组与成像数据，用基于transformer的网络将图像特征转对齐到基因组空间以增强成像信号，测试仅需成像数据，在多个TCGA数据集上取得优异生存预测性能，为可及性癌症预后提供新方案。
2024-11-01 cs.CV eess.IV q-bio.GN
Identifying cancer subtypes in glioblastoma by combining genomic, transcriptomic and epigenomic data
我们提出了一种非参数贝叶斯方法，用于多维癌症数据中的疾病亚型发现。我们的方法可以同时分析各种数据类型，允许其底层聚类结构之间的一致性和不一致性。它包括特征选择，并根据数据推断最可能的疾病亚型数量。我们将该方法应用于癌症基因组图谱中的277个胶质母细胞瘤样本，其中有基因表达，拷贝数变异，甲基化和microRNA数据。我们确定了8种不同的共识亚型，并研究了它们对死亡、新肿瘤事件、进展和复发的预后价值。共识亚型是肿瘤复发的预后指标（多重假设检验校正后$3.6 \times 10^{-4}$的对数秩p值）。这主要由甲基化数据（$2.0 \times 10^{-3}$的对数秩p值）驱动，但其他3种数据类型加强了该效应，证明了整合多种数据类型的价值。特别值得注意的是47名患者的亚型，其特征在于非常低的甲基化水平。这种亚型的肿瘤复发率非常低，并且在10年的随访中没有新的事件。我们还确定了一个小的基因表达亚型的6例患者，表现出特别差的生存结果。此外，我们注意到一个共识亚型，显示了一个高度独特的数据签名，并建议它因此是一个生物学上不同的胶质母细胞瘤亚型。代码可从https://sites.google.com/site/multipledatafusion/获得
2013-04-15 q-bio.GN stat.ML
Functional and evolutionary genomics of the Streptomyces metabolism
本论文主要研究了链霉菌代谢系统的进化。链霉菌是一种高效生产具有生物活性的天然产物的细菌。我工作的主要目标是有助于理解NP生物合成途径进化背后的进化机制。具体而言，生物信息学方法的发展，有助于从放线菌基因组序列中发现新的NP生物合成途径，重点是链霉菌属的成员。我使用比较和功能基因组学的观点开发了这种方法。我的研究表明，在放线菌中，中心代谢酶以属特异性的方式扩展，并且它们已被广泛招募用于NP的生物合成。基于这些观察，我开发了EvoMining，这是一种用于识别微生物基因组中新型生物合成途径的生物信息学管道。使用EvoMining，在放线菌门的不同成员中预测了几种新的NP生物合成途径，包括模式生物S。lividans 66.为了测试这种方法，获得了这种模型菌株的基因组序列，其分析导致发现了一种前所未有的肽键形成系统，以及含砷代谢物的生物合成途径。此外，这项工作还导致了链霉菌糖酵解途径中保守的代谢节点上的扩增的鉴定。这些扩增发生在链霉菌辐射之前，并且伴随着它们产生NP的能力的进化。实验分析表明，这个节点进化介导中央NP代谢之间的相互作用。
2022-05-30 q-bio.GN
Algorithmic Methods to Infer the Evolutionary Trajectories in Cancer Progression
癌症固有的基因组进化直接涉及对大量下一代测序（NGS）数据的重新关注，以及用于推断（epi）基因组事件如何在癌症起始和发展中编排的解释性模型的机器学习。然而，尽管多个额外组学数据的可用性不断增加，但这一探索却因各种理论和技术障碍而受挫，这些障碍主要源于疾病的巨大异质性。在本文中，我们建立在我们最近的工作在癌症进展的驱动突变之间的“选择性优势”的关系，并探讨其适用性的建模问题，在人口水平。在这里，我们介绍PiCnIc（癌症推断管道），这是一个多功能，模块化和可定制的管道，用于从截面测序的癌症基因组中提取整体水平的进展模型。管道有许多翻译的影响，因为它结合了国家的最先进的技术，样本分层，司机选择，识别健身等效的独家改变和进展模型推理。我们证明了PiCnIc的能力，以再现目前的知识结直肠癌的进展，以及提出新的实验验证的假设。
2017-03-08 q-bio.GN
Multi-stage Clustering of Breast Cancer for Precision Medicine
癌症已成为世界上最普遍的疾病之一。具体来说，乳腺癌比任何其他类型的癌症更容易被诊断出来。然而，乳腺癌患者及其个体肿瘤往往是独特的。识别潜在的遗传表型可以导致精确（个性化）医学。定制医疗策略，以最好地满足个别患者的需求，可以显着改善他们的健康。这种方法需要对患者和疾病有足够的了解，而目前从业人员尚不具备这方面的知识。本研究以乳癌为研究对象，提出一种新的两阶段聚类方法，将病患分成不同阶层的群组。第一阶段是广泛分组，这是基于表型，如人口统计学信息和临床特征。第二阶段是基于第一阶段产生的亚组中患者的基因组特征（例如拷贝数变异和体细胞突变）的精细分组。通常，该框架提供了一种混合多种形式的数据（表型和基因组）的机制，以最有效地定义个体患者以进行个性化预测。该方法提供了检测所有因素之间的相关性的能力。
2016-12-02 q-bio.GN q-bio.QM
cyTRON and cyTRON/JS: two Cytoscape-based applications for the inference of cancer evolution models
癌症样本测序数据的日益可用性正在推动算法策略的发展，以研究肿瘤异质性并推断癌症演变的可靠模型。我们在这里建立了以前的工作癌症进展推断从基因组改变数据，提供两个不同的基于Cytoscape的应用程序，允许产生，可视化和操纵癌症演变模型，也通过与公共基因组和蛋白质组学数据库交互。特别是，我们在这里介绍cyTRON，一个独立的Cytoscape应用程序，和cyTRON/JS，一个使用Cytoscape/JS功能的Web应用程序。cyTRON是用Java开发的;代码可在https://github.com/BIMIB-DISCo/cyTRON和Cytoscape App Store http://apps.cytoscape.org/apps/cytron上获得。cyTRON/JS是用JavaScript和R开发的;该工具的源代码可在https://github.com/BIMIB-DISCo/cyTRON-js上获得，该工具可从https://bimib.disco.unimib.it/cytronjs/welcome上获得。
2019-07-20 cs.IR q-bio.GN
CLARA: Clarification of Language Ambiguity through Result Analysis for Natural-Language Cancer Genomics Queries
Independent Researchers E-mail
本研究提出CLARA框架，通过将自然语言癌症基因组学查询转为带类型的科学查询规范，执行多种解释并在结果分歧时澄清，在基准测试中展现出良好的歧义区分能力，揭示了安全与负担的权衡。
2026-08-07 cs.LG q-bio.GN q-bio.QM
Learning Clinical Outcomes from Heterogeneous Genomic Data Sources
将基因组平台产生的大量数据转化为临床结果的可靠预测仍然是实现基因组医学前景的关键挑战，这主要是由于独立样本数量很少。在本文中，我们证明了神经网络可以通过多任务学习和对抗性表示学习，使用异质基因组数据源来训练以预测临床结果，允许在训练中组合多个队列和结果。我们将我们提出的方法与两个基线进行比较，并证明它可以用于帮助缓解癌症基因组学学习问题中的数据稀缺和临床结果审查。
2019-04-02 q-bio.GN q-bio.QM
Comparative genomic analysis of the human gut microbiome reveals a broad distribution of metabolic pathways for the degradation of host-synthetized mucin glycans
结肠粘液层是由分泌型和跨膜型粘蛋白组成的动态复杂结构，粘蛋白是高分子量和高度糖基化的蛋白质。结肠粘液由疏松的外层和致密的上皮附着层组成。外层由人类肠道微生物群（HGM）的各种代表居住。当膳食纤维不充足时，结肠粘液的聚糖可以被HGM用作碳和能量的来源。在这里，我们分析了397个单独的HGM基因组，以确定宿主合成的粘蛋白聚糖裂解为单糖的途径，以及衍生单糖的催化剂。我们的主要结果如下：（i）在86%的分析基因组中发现了粘蛋白聚糖切割基因，而在89%的分析基因组中发现了衍生单糖的催化基因。(ii)比较基因组分析确定了四种替代形式的单糖分解代谢酶和四种替代形式的单糖转运蛋白。(iii)百分之八十五的分析基因组可能涉及交换途径的单糖来自切割粘蛋白聚糖。(iv)所分析的基因组显示出降解已知粘蛋白聚糖的不同能力。通常，预测81%的分析基因组具有降解至少一种粘蛋白聚糖的能力。(v)82%的分析基因组可以形成互惠配对，能够降解粘蛋白聚糖，并且不能被任何配对生物单独降解。总之，这些发现提供了对HGM的微生物间通信以及宿主-HGM相互作用的进一步了解。
2017-03-30 q-bio.GN
Analysis of Genomic and Transcriptomic Variations as Prognostic Signature for Lung Adenocarcinoma
肺癌是全世界死亡人数最多的主要原因，肺腺癌（LUAD）是肺癌最常见的形式。在这项研究中，我们对LUAD患者的突变进行了综合荟萃分析，包括单核苷酸变异（SNV），拷贝数变异（CNV），RNA-seq和临床数据，这些数据从癌症基因组图谱（TCGA）中下载。我们整合了SNV和CNV基因，差异表达基因（DEG）和活性子网络中的DEG来构建预后特征。使用具有Lasso罚分的Cox比例风险模型（LOOCV）来鉴定不同基因类别中的最佳基因签名。通过使用基于所选基因签名计算的患者的风险评分，将训练和测试数据中的患者聚类为高风险组和低风险组。我们生成了12个基因签名（DEPTOR、ZBTB 16、BCHE、MGLL、MASP 2、TNNI 2、RAPGEF 3、SGK 2、MYO 1A、CYP 24 A1、PODXL 2、CCNA 1）用于总生存期预测。高危组与低危组的生存时间差异有统计学意义。这12个基因标签可以预测预后，它们是LUAD患者生存的潜在预测因子。
2019-12-04 q-bio.GN stat.AP
Cancer classification and pathway discovery using non-negative matrix factorization
从全方位测序数据中提取遗传信息对于理解疾病非常重要。我们提出了一种新的方法来有效地探索基因突变的景观，并将它们聚集起来预测癌症类型。我们使用多项逻辑回归，非光滑非负矩阵分解（nsNMF）和支持向量机（SVM）来利用全范围的测序数据，旨在更好地聚集基因突变并提高其预测癌症类型的能力。具体而言，我们引入了一个分类器，使用从全外显子组测序数据获得的体细胞突变来区分癌症类型。从多种癌症中鉴定突变，并使用SIFT、PP2和CADD进行评分，并在个体基因水平上进行分组。然后应用nsNMF降维并获得系数矩阵和基矩阵。从所获得的矩阵导出特征矩阵，以利用SVM模型训练用于癌症类型分类的分类器。我们已经证明，分类器能够以合理的准确度区分癌症类型。在使用突变计数作为特征的五重交叉验证中，平均预测准确率为77.1%（SEM=0.1%），显著优于基线和使用突变评分作为特征的模型。使用来自nsNMF的因子矩阵，我们确定了与每种癌症类型显著相关的多个基因和途径。这项研究提供了一个通用和完整的管道来研究体细胞突变和癌症之间的关联。发现的与每种癌症类型相关的基因和途径可以导致生物学见解。所提出的方法可以适用于其他疾病分类和途径发现的研究。
2018-10-08 cs.CE q-bio.GN
OncoNetExplainer: Explainable Predictions of Cancer Types Based on Gene Expression Data
Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所FIT）；RWTH Aachen University（亚琛工业大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
重要生物标志物的发现是理解致癌的分子机制的重要一步;能够准确诊断和预后某种癌症类型。在推荐任何诊断之前，需要分析基因组学数据，如基因表达（GE）和临床结果。然而，基因组学数据的复杂性，高维性和异质性使得整体分析具有挑战性。卷积神经网络（CNN）在解决此类问题方面取得了巨大的成功。然而，神经网络模型大多被视为“黑箱”方法，因为它们的内部功能没有得到很好的理解。然而，可解释性对于提供关于为什么给定癌症病例具有某种类型的见解很重要。此外，找到最重要的生物标志物可以帮助推荐更准确的治疗和药物重新定位。在本文中，我们提出了一种名为OncoNetExplainer的新方法，可以根据GE数据对癌症类型进行可解释的预测。我们使用了来自泛癌症图谱的9，074名癌症患者的基因组学数据，涵盖了33种不同的癌症类型，我们使用引导梯度类激活图++（GradCAM++）训练了CNN和VGG 16网络。此外，我们生成类别特定的热图来识别重要的生物标志物，并计算特征重要性的平均绝对影响，以在所有癌症类型中排名最高的基因。定量和定性分析表明，两种模型在正确预测癌症类型方面表现出较高的置信度，平均精度为96.25%。为了提供与基线的比较，我们使用梯度提升树和SHapley加法解释（SHAP）鉴定了顶级基因和癌症特异性驱动基因。最后，我们的研究结果与TumorPortal提供的注释进行了验证。
2019-09-09 cs.LG q-bio.GN q-bio.QM
Detecting somatic mutations in genomic sequences by means of Kolmogorov-Arnold analysis
Kolmogorov-Arnold随机参数技术首次应用于癌症基因组测序研究，以揭示突变。使用下一代测序技术产生的数据，我们分析了具有匹配肿瘤和正常血液的脑肿瘤患者的外显子组序列。我们表明，使用这种技术可以揭示测序数据中包含的突变，从而提供了一种新的方法来确定给定长度的包含突变的序列，即其值不同于没有突变的序列。这项技术的潜在应用包括简化发现突变片段的程序，加快基因组研究，并加速其在临床诊断中的实施。此外，纯粹基于Kolmogorov函数的值预测与许多类型的癌症中的频繁突变家族相关的突变，表明这种应用的标记物可以识别丰度极低的基因组序列，并且可以用于揭示新类型的突变。
2015-06-12 physics.data-an q-bio.GN
Gene expression analysis reveals a strong signature of an interferon induced pathway in childhood lymphoblastic leukemia as well as in breast and ovarian cancer
流行病学研究表明，感染在人类癌症的病因学中起一定作用。虽然在某些癌症中确实证明了这种作用，但病毒病原体在儿童白血病发病机制中的作用没有直接的生物学支持。使用一种新的生物信息学工具，在聚类和标准统计分析方法之间交替，我们对具有不同儿童ALL亚型的受试者的已发表基因表达数据进行了“双盲”搜索，寻找由具有相关表达的意外基因组诱导的患者的意外分区。我们发现了一组约30个基因，与干扰素反应途径有关，其表达水平将ALL样本分为两个亚组：50例患者高，285例患者低。在儿童早期（最易感染的年龄）流行的白血病亚类在高表达亚组中过度代表。在乳腺癌和卵巢癌中也发现了由相同基因诱导的类似分区，但在肺癌、前列腺癌和淋巴瘤中没有发现。大约40%的乳腺癌样本表达了“干扰素相关”的特征。令人感兴趣的是，几项研究证明了约40%的乳腺癌样本中存在MMTV样序列。我们对干扰素诱导途径的一个意想不到的强烈特征的发现为炎症或病毒感染在儿童白血病以及乳腺癌和卵巢癌发病机制中的作用提供了分子支持。
2005-11-14 q-bio.GN q-bio.MN
DNABERT-2: Fine-Tuning a Genomic Language Model for Colorectal Gene Enhancer Classification
本文微调采用 BPE 分词的 DNABERT-2-117M，仅依据 DNA 序列对结直肠癌增强子进行分类，在35万余留出序列上取得优于 CNN 基线的排序与召回表现。
2025-09-28 cs.AI cs.LG q-bio.GN
Rare Genomic Subtype Discovery from RNA-seq via Autoencoder Embeddings and Stability-Aware Clustering
Department of Computer Science, University of Science and Technology Houari Boumediene (USTHB)（计算机科学系，哈里·布迈迪ene科学技术大学）
本研究结合自编码器嵌入与稳定性感知聚类方法，针对RNA-seq数据开展分析，在排除泛癌层面组织来源的干扰后，于KIRC癌种中识别出占比6.85%的稳定罕见可复现基因组亚型。
2025-11-17 cs.LG q-bio.GN
Machine learning methods for prediction of cancer driver genes: a survey paper
Universidade Federal do Rio Grande do Sul（南里奥格兰德联邦大学）；Hospital de Clínicas de Porto Alegre（阿雷格里港临床医院）
确定驱动肿瘤出现的基因和突变是提高对癌症的理解并确定疾病诊断和治疗新方向的重要一步。尽管有大量的基因组学数据，但从数百万可能的体细胞突变中精确检测驱动突变及其携带基因（称为癌症驱动基因）仍然是一个挑战。计算方法在识别与癌症驱动因素相关的基因组模式和开发预测驱动因素事件的模型方面发挥着越来越重要的作用。机器学习（ML）一直是这些努力背后的引擎，并为解决该领域的剩余差距提供了绝佳的机会。因此，这项调查的目的是对基于ML的计算方法进行全面分析，以识别癌症驱动突变和基因，从而为这一科学问题中的广泛数据和算法景观提供综合的全景视图。我们讨论了如何在以前的解决方案中探索数据类型和ML算法之间的相互作用，并概述了当前值得科学界进一步关注的分析限制。我们希望通过帮助读者更熟悉ML带来的领域的重大发展，我们可以激励新的研究人员解决开放性问题，并推动我们对癌症驱动因素发现的认识。
2021-09-28 cs.LG q-bio.GN
