Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O sistema de inteligência artificial novo revela os genes que conduzem o crescimento do tumor

Um método para encontrar os genes que spur o crescimento do tumor aproveita-se de algoritmos de aprendizagem da máquina para peneirar com as resmas de dados moleculars recolhidos dos estudos de linha celular do cancro, de modelos do rato e de pacientes humanos.

Ensinando o sistema de inteligência artificial para ligar determinadas mutações do ADN à funcionalidade alterada, uma equipe conduzida por Robert Hoehndorf do centro de pesquisa computacional da ciência biológica de KAUST mostrou que poderiam identificar genes com um papel causal conhecido no cancro e seleccionar dúzias de novos putativos para 20 tipos diferentes do tumor.

O método da previsão--descrito em relatórios científicos e livremente acessível em linha--podia ajudar clínicos a costurar medicinas aos subtipos moleculars dos pacientes. Poderia igualmente ser usado por empresas farmacêuticas na caça para alvos terapêuticos novos.

Nosso método pode ser usado como uma estrutura para prever e validar genes do cancro-motorista em toda a base de dados ou amostra real da população.”

Sara Althubaiti, um estudante do Ph.D. no laboratório de Hoehndorf e primeiro autor do estudo

Tradicional, os cientistas aproximaram a busca para genes com um papel causal no cancro começando com dados da seqüência do ADN. Extensivamente catalogando as mutações do tumor compartilhadas entre pacientes com um tipo comum de cancro, a comunidade de pesquisa documentou centenas de genes com um impacto causal na revelação do tumor. A continuação experimental é usada então para associar funcional estes genes com as indicações do cancro.

“Nosso método gira esta aproximação em sua cabeça,” Althubaiti explica. “Essencialmente, nossa aproximação conhecimento-é conduzida e nós usamos o tumor que arranja em seqüência dados como a validação. Isto é desigual a maioria de aproximações, que dados-são conduzidas combinaram com a interpretação dos resultados no que diz respeito ao conhecimento estabelecido.”

A taxa de descoberta para genes decondução novos tem diminuído ràpida nos últimos anos, conduzindo a equipe de KAUST procurar uma estratégia computacional nova. Em vez da confiança em dados da seqüência, Althubaiti e Hoehndorf construíram um modelo da aprendizagem de máquina que levasse em consideração muitas características biológicas dos genes e dos caminhos envolvidos na formação do tumor.

Os pesquisadores projectaram o algoritmo reconhecer os testes padrões funcionais e fenotípicos que predispor um gene para o jogo de um papel em conduzir a revelação do tumor. Validaram o modelo usando a base de dados disponível da publicamente - de uns 27.000 variações diferentes do tumor assim como dados funcionais e da seqüência--mostrando que o algoritmo poderia exactamente categorizar sabido cancro-conduzindo genes e detectar mais de outros 100 culpados prováveis, muitos com o tumor específico dos papéis em particular dactilografam.

Os investigador de KAUST promovem então testaram o desempenho do algoritmo nos dados moleculars recolhidos de duas coortes das pacientes que sofre de cancro. O primeiro era do rei Abdulaziz Universidade Hospital em Arábia Saudita, compreendendo 26 amostras do tumor dos indivíduos com um tipo raro de carcinoma nasopharyngeal chamada principal e de pescoço do cancro. A outra coorte compreendeu 114 amostras colorectal do cancro dos pacientes tratados na universidade do hospital de Birmingham no Reino Unido. Em ambos os grupos pacientes, os genes escolhidos modelo do motorista do candidato que freqüentemente foram transformados e compartilharam de características patogénicos de outros genes cancerígenos.

Hoehndorf sublinha a importância do esforço da equipe envolvido. “Este trabalho é um bom exemplo para a colaboração científica dentro de Arábia Saudita,” diz, “mas igualmente demonstra a necessidade para colaborações multidisciplinares entre cientistas de computador, pesquisadores clínicos e biólogos.”

Source:
Journal reference:

Althubaiti, S., et al. (2019) Ontology-based prediction of cancer driver genes. Scientific Reports. doi.org/10.1038/s41598-019-53454-1.