目的·探索唐氏综合征(Down syndrome,DS)胎儿羊水细胞的着丝粒蛋白质组中的差异表达蛋白。方法·以DS胎儿及正常胎儿羊水细胞为模型,构建着丝粒蛋白A(centromere protein A,CENPA)-增强型绿色荧光蛋白(enhanced green fluoresc...目的·探索唐氏综合征(Down syndrome,DS)胎儿羊水细胞的着丝粒蛋白质组中的差异表达蛋白。方法·以DS胎儿及正常胎儿羊水细胞为模型,构建着丝粒蛋白A(centromere protein A,CENPA)-增强型绿色荧光蛋白(enhanced green fluorescent protein,EGFP)-抗坏血酸过氧化物酶2(ascorbate peroxidase 2,APEX2)融合蛋白慢病毒载体,转染羊水细胞,靶向标记着丝粒邻近蛋白;通过免疫荧光共定位判断目的蛋白表达位置,通过生物素化处理和蛋白质印迹法(Western blotting)验证蛋白标记情况。采用4D label-free定量蛋白质组学技术分析3例DS组与3例正常组样本,通过基因本体论(Gene Ontology,GO)、原核/真核同源蛋白簇(Clusters of Orthologous Groups/Eukaryotic Orthologous Groups,COG/KOG)及京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)数据库对标记蛋白进行功能注释;以P<0.05且差异倍数(fold change,FC)对数的绝对值(|log₂FC|)>0.585筛选DS组和正常组羊水细胞差异表达蛋白,并通过STRING数据库构建蛋白质-蛋白质相互作用(protein-protein interaction,PPI)网络,鉴定核心枢纽蛋白。结果·成功建立DS羊水原代细胞着丝粒邻近蛋白标记模型,免疫荧光共定位和蛋白质印迹结果证明CENPA-EGFP-APEX2可精准锚定着丝粒并标记邻近蛋白。蛋白质组学共鉴定出999个高可信蛋白,生物信息学分析显示这些蛋白富集于氧化还原及癌症相关通路等。差异蛋白分析显示MX动力蛋白样GTP酶1(MX dynamin-like GTPase 1,MX1)、信号转导及转录激活蛋白1(signal transducer and activator of transcription 1,STAT1)等显著上调,β-肌动蛋白(actinβ,ACTB)等下调;PPI分析揭示小泛素样修饰蛋白2(small ubiquitin like modifier 2,SUMO2)、核内不均一核糖核蛋白A/B(heterogeneous nuclear ribonucleoprotein A/B,HNRNPAB)和丝裂原活化蛋白激酶(mitogen-activated protein kinase,MAPK)为核心枢纽蛋白。结论·DS胎儿羊水细胞着丝粒蛋白质组中存在多种差异表达蛋白,其中MX1和STAT1异常激活、ACTB下调,这些差异蛋白之间的相互作用以SUMO2、MAPK、HNRNPAB为主要核心。展开更多
目的本研究提出了一种基于图注意力网络(graph attention network,GAT)与增强型灰狼优化算法(enhanced-grey wolf optimizer,EGWO)的多组学整合模型EGWO-GAT,实现对膀胱尿路上皮癌(bladder urothelial carcinoma,BLCA)肿瘤样本的分期预...目的本研究提出了一种基于图注意力网络(graph attention network,GAT)与增强型灰狼优化算法(enhanced-grey wolf optimizer,EGWO)的多组学整合模型EGWO-GAT,实现对膀胱尿路上皮癌(bladder urothelial carcinoma,BLCA)肿瘤样本的分期预测。方法基于在加州大学圣克鲁斯分校Xena功能基因组学探索器(University of California,Santa Cruz Xena,UCSC Xena)网站收集的404例癌症基因组图谱(The Cancer Genome Atlas,TCGA)BLCA样本,包含mRNA、DNA甲基化和微小RNA(microRNA,miRNA)数据,将3种组学数据分别进行预处理和差异分析之后得到其节点特征与边特征,以GAT为基础,引入EGWO进行超参数优化,采用多层感知机(multilayer perceptron,MLP)进行后续癌症分期预测。经5折交叉验证分析,将本研究创建的EGWO-GAT模型与多种经典机器学习分期模型的性能进行对比,并进行组学贡献分析和保留不同相似边条数的模型性能比较,采用准确率、精确率、召回率、F1分数及曲线下面积(area under the curve,AUC)作为性能评估的核心指标。结果差异特征筛选结果显示,mRNA组学获得534个差异基因,DNA甲基化组学获得3108个差异探针,miRNA组学获得114个差异miRNA。多模型对比结果表明,当整合所有组学数据类型且保留相似性排名前3的其他患者作为边时,EGWO-GAT模型性能最佳,其AUC值达到0.744,准确率达到0.711,精确率达到0.792,召回率达到0.782,F1分数达到0.785,其综合分类性能显著优于其余经典机器学习方法,且较GS-GAT模型在各项指标上均有明显提升。组学贡献分析显示,全组学(mRNA+DNA甲基化+miRNA)整合的性能显著优于其他6种组学组合方式。相似性边数性能比较结果表明,保留前3条相似边时模型的AUC、准确率、精确率及F1分数均高于保留前5条或7条边的情况,综合性能最优。结论本研究构建的EGWO-GAT多组学整合模型在BLCA分期中性能优异,可为精准分期提供技术支撑,解决因样本异质性引发的临床分期难题,对辅助个体化治疗及改善患者预后意义重大。展开更多
文摘目的·探索唐氏综合征(Down syndrome,DS)胎儿羊水细胞的着丝粒蛋白质组中的差异表达蛋白。方法·以DS胎儿及正常胎儿羊水细胞为模型,构建着丝粒蛋白A(centromere protein A,CENPA)-增强型绿色荧光蛋白(enhanced green fluorescent protein,EGFP)-抗坏血酸过氧化物酶2(ascorbate peroxidase 2,APEX2)融合蛋白慢病毒载体,转染羊水细胞,靶向标记着丝粒邻近蛋白;通过免疫荧光共定位判断目的蛋白表达位置,通过生物素化处理和蛋白质印迹法(Western blotting)验证蛋白标记情况。采用4D label-free定量蛋白质组学技术分析3例DS组与3例正常组样本,通过基因本体论(Gene Ontology,GO)、原核/真核同源蛋白簇(Clusters of Orthologous Groups/Eukaryotic Orthologous Groups,COG/KOG)及京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)数据库对标记蛋白进行功能注释;以P<0.05且差异倍数(fold change,FC)对数的绝对值(|log₂FC|)>0.585筛选DS组和正常组羊水细胞差异表达蛋白,并通过STRING数据库构建蛋白质-蛋白质相互作用(protein-protein interaction,PPI)网络,鉴定核心枢纽蛋白。结果·成功建立DS羊水原代细胞着丝粒邻近蛋白标记模型,免疫荧光共定位和蛋白质印迹结果证明CENPA-EGFP-APEX2可精准锚定着丝粒并标记邻近蛋白。蛋白质组学共鉴定出999个高可信蛋白,生物信息学分析显示这些蛋白富集于氧化还原及癌症相关通路等。差异蛋白分析显示MX动力蛋白样GTP酶1(MX dynamin-like GTPase 1,MX1)、信号转导及转录激活蛋白1(signal transducer and activator of transcription 1,STAT1)等显著上调,β-肌动蛋白(actinβ,ACTB)等下调;PPI分析揭示小泛素样修饰蛋白2(small ubiquitin like modifier 2,SUMO2)、核内不均一核糖核蛋白A/B(heterogeneous nuclear ribonucleoprotein A/B,HNRNPAB)和丝裂原活化蛋白激酶(mitogen-activated protein kinase,MAPK)为核心枢纽蛋白。结论·DS胎儿羊水细胞着丝粒蛋白质组中存在多种差异表达蛋白,其中MX1和STAT1异常激活、ACTB下调,这些差异蛋白之间的相互作用以SUMO2、MAPK、HNRNPAB为主要核心。
文摘目的本研究提出了一种基于图注意力网络(graph attention network,GAT)与增强型灰狼优化算法(enhanced-grey wolf optimizer,EGWO)的多组学整合模型EGWO-GAT,实现对膀胱尿路上皮癌(bladder urothelial carcinoma,BLCA)肿瘤样本的分期预测。方法基于在加州大学圣克鲁斯分校Xena功能基因组学探索器(University of California,Santa Cruz Xena,UCSC Xena)网站收集的404例癌症基因组图谱(The Cancer Genome Atlas,TCGA)BLCA样本,包含mRNA、DNA甲基化和微小RNA(microRNA,miRNA)数据,将3种组学数据分别进行预处理和差异分析之后得到其节点特征与边特征,以GAT为基础,引入EGWO进行超参数优化,采用多层感知机(multilayer perceptron,MLP)进行后续癌症分期预测。经5折交叉验证分析,将本研究创建的EGWO-GAT模型与多种经典机器学习分期模型的性能进行对比,并进行组学贡献分析和保留不同相似边条数的模型性能比较,采用准确率、精确率、召回率、F1分数及曲线下面积(area under the curve,AUC)作为性能评估的核心指标。结果差异特征筛选结果显示,mRNA组学获得534个差异基因,DNA甲基化组学获得3108个差异探针,miRNA组学获得114个差异miRNA。多模型对比结果表明,当整合所有组学数据类型且保留相似性排名前3的其他患者作为边时,EGWO-GAT模型性能最佳,其AUC值达到0.744,准确率达到0.711,精确率达到0.792,召回率达到0.782,F1分数达到0.785,其综合分类性能显著优于其余经典机器学习方法,且较GS-GAT模型在各项指标上均有明显提升。组学贡献分析显示,全组学(mRNA+DNA甲基化+miRNA)整合的性能显著优于其他6种组学组合方式。相似性边数性能比较结果表明,保留前3条相似边时模型的AUC、准确率、精确率及F1分数均高于保留前5条或7条边的情况,综合性能最优。结论本研究构建的EGWO-GAT多组学整合模型在BLCA分期中性能优异,可为精准分期提供技术支撑,解决因样本异质性引发的临床分期难题,对辅助个体化治疗及改善患者预后意义重大。
