知识卡片
分子表征连接药敏预测
把模型的分子特征与药物反应矩阵联系起来,才能研究哪些特征可能预测敏感性。原文用多组学描述细胞系,再用药敏数据和定量模型产生待检验的药物—特征假说。预测输出仍属于证据链的一环,不能直接当作临床处方。
结构图:
flowchart TD
A[分子特征与模型表征] --> C[匹配样本与反应]
B[药物敏感性观测] --> C
C --> D[训练或分析预测关系]
D --> E[形成待独立验证的假说]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 信息革命对生物学研究的影响 分子表征、功能扰动与结构证据的互补 · 查看原书依据
他们利用数据驱动的方法整合了功能基因组分析与药物筛选过程,并借助机器学习挖掘出了能够预测药物反应的癌细胞特征。 这个由马修·加尼特研究组开发的框架高度依赖于定量方法。他们借助计算机算法从11289个人类患者肿瘤样本的基因组数据中找到了数千个具有临床意义的癌症功能事件。这些事件大致可以分为突变、扩增和缺失,以及基因启动子高甲基化——这是癌症表观遗传修饰改变的重要特征。利用这些多组学数据与基因表达谱分析(转录物组学),加尼特研究组评估了超过1000种源自肿瘤的癌细胞系,
参考来源
- 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》信息革命对生物学研究的影响,分子表征、功能扰动与结构证据的互补(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section02.xhtml)
- 结论依据:原文明确描述功能基因组分析、细胞系状态矩阵、药物反应数据和定量框架的结合;图不把体外输出画成已证实临床疗效。
- 原始内容:他们利用数据驱动的方法整合了功能基因组分析与药物筛选过程,并借助机器学习挖掘出了能够预测药物反应的癌细胞特征。 这个由马修·加尼特研究组开发的框架高度依赖于定量方法。他们借助计算机算法从11289个人类患者肿瘤样本的基因组数据中找到了数千个具有临床意义的癌症功能事件。这些事件大致可以分为突变、扩增和缺失,以及基因启动子高甲基化——这是癌症表观遗传修饰改变的重要特征。利用这些多组学数据与基因表达谱分析(转录物组学),加尼特研究组评估了超过1000种源自肿瘤的癌细胞系,