人工智能生物学分析算法是处理生物网络数据的有效方法,它构建机器或程序来模拟人类智能,从而在生物网络中实现分类、聚类和预测任务。在过去的几十年里,我们看到了人工智能生物学分析算法的快速发展。
为了使这项研究易于理解,我们不仅根据生物网络结构的数据将这些人工智能算法分为基于网络的生物学分析算法和基于机器学习(基于ML)的生物学分析算法,而且还采用了下图来描述这些人工智能生物学分析算法的历史里程碑。
表观遗传学分析DNA或DNA相关蛋白的逆转修饰。这些修饰在不改变DNA序列的情况下影响基因表达,通过人工智能研究表观遗传学数据不仅对于阐明癌症的基本机制很重要,利用信息丰富的转录组学和表观遗传学数据研究组蛋白赖氨酸去甲基化的调控网络,强调了表观遗传调控因子在有丝分裂控制中的重要性及其作为治疗靶点的潜力,表明表观遗传调控因子对肿瘤发生和耐药性至关重要。
基因组学旨在通过使用基因组规模测定(如基因组测序)来表征生物体中每个基因组元素的功能。基因组学的应用包括发现基因型和表型之间的关联,发现用于患者分层的生物标志物,预测基因的功能并绘制生化活性基因组区域。
代谢组学通常用于通过分析生物体液、细胞和组织中的代谢物来发现生物标志物。由于生物技术固有的敏感性,可以检测到代谢途径的细微变化,以深入了解各种生理条件和癌症处理背后的机制。由于网络生物学的创新发展,研究人员利用生物网络进行代谢组学分析,并为我们提供对代谢物在癌症中的作用的系统级理解。
单细胞测序 (scSeq) 因其在单个细胞中测序 DNA 和 RNA