Wie supervised learning Gen-Störungen vorhersagen kann
Krebs ist eine der häufigsten Krankheiten auf der Welt. Durch die Veränderung der Aktivität wichtiger Gene, beispielsweise deren Hemmung oder Überaktiviereung, entsteht Krebs. Diese Aktivitätsveränderungen sind jedoch schwer nachzuweisen. Molekulare Profile von Tumoren können indirekte Hinweise auf Gen-Störungen liefern, sind aber technisch eine Herausforderung.
Niko Beerenwinkel und seine Forschergruppe haben eine neuartige mathematische Methode entwickelt, um Krebstreibergene und ihre patientenspezifischen Störungsprofile zu analysieren. Sie kombinieren dabei genetische Veränderungen (Mutationen) mit Daten der Aktivitätsveränderungen von Genen (Genexpressionsdaten) in einem kausalen Netzwerk. Diese Daten werden über alle Patienten hinweg angewendet, um auch unbeobachtete Störungen abzuleiten. Das Team konnte zeigen, dass ihre Methode Krebstreibergene und ihre patientenspezifischen Störungsprofile in Simulationen, CRISPR-Perturbations-Screens und Brustkrebs-Proben vorhersagen kann.
Die Identifizierung von Krebstreibergenen ist wichtig, um Krebsarten zu charakterisieren und nützliche Therapien zu etablieren.