Nghiên cứu “HGPEC: một ứng dụng Cytoscape để dự đoán mối quan hệ gen-bệnh và bệnh-bệnh và thu thập bằng chứng liên quan dựa trên thuyết bước đi ngẫu nhiên trên mạng sinh học không đồng nhất.” đã được đăng tải trên tạp chí BMC systems biology. 2017; 11(1):61.
Nhóm tác giả: Duc Hau Le ¹², Van Huy Pham ³
Ngày xuất bản: 15/06/2017
Đơn vị công tác:
- Viện Nghiên cứu Tế bào gốc và Công nghệ gen Vinmec, 458 Minh Khai, Hai Bà Trưng, Hà Nội, Việt Nam.
- Đại học Thuỷ Lợi, 175 Tây Sơn, Đống Đa, Hà Nội, Việt Nam.
- Khoa Công nghệ Thông tin, Đại học Tôn Đức Thắng, Thành phố Hồ Chí Minh, Việt Nam.
Tổng quan
Dự đoán mối quan hệ gen – bệnh và bệnh – bệnh đóng vai trò quan trọng trong lĩnh vực y sinh. Hiện nay, đã có nhiều phương pháp được đưa ra để giải quyết vấn đề này. Trong số đó, các phương pháp tiếp cận dựa trên một mạng lưới gen và bệnh không đồng nhất được coi là những phương pháp tiên tiến, đạt được hiệu suất dự đoán cao và có thể được sử dụng cho các bệnh đã biết hoặc chưa biết về cơ chế phân tử.
Kết quả: Chúng tôi đã phát triển một ứng dụng Cytoscape, tên là HGPEC, dựa trên thuật toán RWR (Random Walk Restart) trên một mạng không đồng nhất về gen và bệnh. Ứng dụng này có thể đề xuất các gen ứng viên và bệnh tương ứng bằng cách sử dụng hệ thống mạng không đồng nhất bao gồm một mạng lưới các gen/protein và một mạng lưới các bệnh tương đồng về kiểu hình. Dựa trên thứ hạng xếp loại, chúng ta có thể xác định được gen gây bệnh. Những liên kết này có thể được hỗ trợ bằng hình ảnh hóa dựa trên mạng lưới và xếp hạng cũng như bằng chứng và chú thích từ dữ liệu y sinh. Một nghiên cứu điển hình về dự đoán các gen gây bệnh liên quan đến ung thư vú cho thấy khả năng của HGPEC. Ngoài ra, nghiên cứu còn thể hiện hiệu suất nổi trội của HGPEC so với các công cụ khác trong việc phân hạng gen ứng viên có khả năng liên quan đến bệnh .
Kết luận: Tổng hợp lại, ứng dụng của chúng tôi được kỳ vọng sẽ dự đoán hiệu quả các gen gây bệnh và bệnh liên quan, hỗ trợ hình ảnh dựa trên mạng sinh học và phân hạng cũng như bằng chứng y sinh cho các dự đoán đó.
PMID: 28619054
PMCID: PMC5472867
DOI: 10.1186/s12918-017-0437-x
Từ khóa: Ứng dụng Cytoscape; Ưu tiên bệnh tật; Các bệnh liên quan; Gen gây bệnh; Gen ứng viên; Mạng không đồng nhất; Thuật toán RWR.
Được trích dẫn:
- Chen G, Chen D, Feng Y, Wu W, Gao J, Chang C, Chen S, Zhen G.
- Front Mol Biosci. 2022 Feb 2;9:805570. doi: 10.3389/fmolb.2022.805570. eCollection 2022.
- PMID: 35187081
A network-based method for predicting disease-associated enhancers
- Le DH.
- PLoS One. 2021 Dec 8;16(12):e0260432. doi: 10.1371/journal.pone.0260432. eCollection 2021.
- PMID: 34879086
- Zhou G, Chen J, Wu C, Jiang P, Wang Y, Zhang Y, Jiang Y, Li X.
- Front Physiol. 2021 Oct 14;12:607089. doi: 10.3389/fphys.2021.607089. eCollection 2021.
- PMID: 34721049
SicknessMiner: a deep-learning-driven text-mining tool to abridge disease-disease associations
- Rosário-Ferreira N, Guimarães V, Costa VS, Moreira IS.
- BMC Bioinformatics. 2021 Oct 4;22(1):482. doi: 10.1186/s12859-021-04397-w.
- PMID: 34607568
- Le DH.
- PLoS One. 2020 Jul 9;15(7):e0235670. doi: 10.1371/journal.pone.0235670. eCollection 2020.
- PMID: 32645039
Để đọc chi tiết bài báo vui lòng truy cập Tại đây