TCGA系列基因突变数据库--MAGI

http://magi.brown.edu/

 

转载于:https://www.cnblogs.com/nkwy2012/p/8464537.html

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
动机:了解癌症的分子机制是有效诊断和治疗癌症患者的重要步骤。 借助大规模癌症基因组计划的大量数据,一个开放的挑战就是要从驱动体突变,途径和基因集(或核心模块)区分出导致癌症形成和发展的驱动因子突变,突变体和积累在体细胞的随机客体,但无助于肿瘤发生。 由于突变的异质性,当前的分析通常仅限于已知的途径和功能模块,以丰富体细胞突变。 因此,迫切需要发现新的途径和功能模块。 结果:在这项研究,我们提出了一种新的方法来鉴定癌症的突变核心模块(iMCMC),而没有来自肿瘤患者的癌症基因组数据以外的任何其他先验信息。 这是一种基于网络的方法,其整合了三种数据:体细胞突变,拷贝数变异(CNV)和基因表达。 首先,将前两个数据集合并以获得一个突变矩阵,在此基础上构建一个加权突变网络,其顶点权重对应于基因覆盖度,边缘权重对应于基因对之间的互斥性。 类似地,从表达矩阵生成加权表达网络,其顶点和边缘权重分别对应于基因突变对其他基因的影响以及与基因突变相关的表达的皮尔逊相关性。 然后,通过将这两个网络进一步组合而获得一个集成网络,并通过使用优化模型来识别最相关的子网。 最后,我们通过显着性和排他性测试进行过滤,从而获得了用于肿瘤的核心模块。 我们将iMCMC应用于多形性癌基因组图谱(TCGA)胶质母细胞瘤(GBM)和卵巢癌数据,并确定了几个突变的核心模块,其一些涉及已知途径。 大多数牵连的基因是以前报道与致癌作用有关的癌基因或抑癌基因。 作为比较,我们还对三种数据的两种进行了iMCMC,即结合了体细胞突变和CNV的数据集,其次是结合了体细胞突变和基因表达的数据集。 结果表明,基因表达或CNV确实为原始数据提供了额外的有用信息,可用于识别癌症的核心模块。 结论:这项研究通过整合多个数据源来鉴定癌症突变的核心模块,证明了我们的iMCMC的实用性。 除了提出一种普遍适用的方法外,我们的发现还提供了在GBM或卵巢癌反复出现扰动的几种候选途径或核心模块,以供进一步研究。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值