机构名称：
¥ 1.0
通过基于图的多组学、临床、成像和扰动数据融合将疾病、驱动因素、靶点和药物联系起来 我们提出*AMARETTO 作为网络生物学和医学的软件工具箱，旨在开发一个用于癌症诊断、预后和治疗决策的数据驱动平台。*AMARETTO 通过基于网络图的多组学、临床、成像、驱动和药物扰动数据融合，将疾病、驱动因素、靶点和药物联系起来，涵盖癌症的模型系统和患者研究。*AMARETTO 平台采用模块化方法，基于多模态和多尺度网络结构建模整合先前的生物学知识：(1) AMARETTO 算法从功能基因组学或多组学数据中学习调控回路网络（驱动因素和靶基因回路），并将这些回路与每个生物系统（例如模型系统或患者）内的临床、分子和成像衍生的表型相关联； (2) 社区-AMARETTO 算法学习跨多个生物系统（例如模型系统和患者、群组和个体、疾病和病因、体外和体内系统）衍生的网络共享或不同的调节电路子网络；（3）扰动-AMARETTO 算法分别将模型系统中的遗传和化学扰动映射到患者衍生的网络上以进行驱动因素和药物发现，并优先考虑主要驱动因素、目标和药物以进行后续实验验证；（4）成像-AMARETTO 算法将放射学和组织病理学成像数据映射到患者衍生的多组学网络上，以进行非侵入性和组织病理学成像诊断。我们通过 Jupyter Notebook 工作流程展示了 *AMARETTO 在多个用例中的实用性，这些用例整合了多组学、临床、成像以及驱动和药物扰动数据，涵盖了癌症的模型系统和患者研究：（1）一项关于丙型和乙型肝炎病毒诱发的肝细胞癌 (LIHC) 的研究，其中发现驱动因素和药物，用于跨肝细胞癌全病因的化学预防，并在大鼠模型中进行了实验验证；（2）一项关于多形性胶质母细胞瘤 (GBM) 和低级别胶质瘤 (LGG) 的研究，其中发现与非侵入性成像诊断的成像衍生特征相关的诊断和预后分子亚类的驱动因素；以及（3）一项关于五个 SCC 癌症部位的鳞状细胞癌 (SCC) 的泛癌症研究，特别是肺 (LUSC)、头颈部 (HNSC)、食道 (ESCA)、宫颈 (CESC) 和膀胱 (BLCA)。
AMARETTO 用于网络生物学和医学
主要关键词
相关文件推荐
