通过代理人工智能驱动的转录组特征分析发现疾病关系.pdfVIP

通过代理人工智能驱动的转录组特征分析发现疾病关系

KeChen

SchoolofInformationSciences,

UniversityofIllinoisUrbana-Champaign,

Urbana,IL,USA

E-mail:kec10@

HaohanWang

SchoolofInformationSciences,

UniversityofIllinoisUrbana-Champaign,

Urbana,IL,USA

E-mail:haohanw@

摘要。现代疾病分类经常忽视隐藏在不同临床表现下的分子共性。本研究介绍了一种基于转录组学的框架，通过使用全自动智能AI

本系统GenoMAS分析超过1,300个疾病-条件对来发现疾病关系。除了识别稳健的基因水平重叠之外，我们还开发了一种新的基于通

译路的相似度框架，该框架整合了多数据库富集分析以量化跨疾病的功功能收敛性。由此产生的疾病相似性网络揭示了已知共病和以

前未记录的跨类别链接。通过检查共享的生物通路，我们探讨了这些联系背后的潜在分子机制——提供了超越基于症状分类的功能假

中设。此外，我们展示了背景条件如肥胖和高血压如何调节转录组学相似度，并根据其与更详尽描述的条件在分子上的接近性确定罕见

疾病（例如自闭症谱系障碍）的治疗再利用机会。另外，本研究还展示了以生物学为基础的智能AI如何扩展转录组学分析并使复杂

1

v疾病景观中的机制解释成为可能。所有结果均可在/KeeeeChen/Pathway_Similarity_Network公开获取。

2Keywords:疾病相似性网络；转录组关联；人工智能驱动的发现

4

7

4

01.介绍

.

81–3

现代疾病分类主要基于临床症状、解剖位置和可观察的表型。虽然这对诊断和治疗实用，但这种以症

0

5状为中心的分类法往往掩盖了疾病之间更深层次的生物学关系——特别是那些具有不同临床表现但有共

24,56

:同分子起源的疾病。相比之下，转录组特征捕捉到直接反映潜在细胞机制的基因表达模式，提供了

v

i一种基于生物学原理的角度来重新审视疾病的关联。

x

7,89–1112,13

r最近的研究表明，转录组谱分析不仅揭示了与易感性、进展和恢复力相关的疾病特异性

a

途径，而且还发现了表型不同疾病之间的共同分子程序6,14,15。这些共有的模式，通常在临床观察16,17中

不可见，对疾病的重新分类18,19、生物标志物的发现20,21和治疗再利用22,23具有深远的影响。然而，在

大规模实现这些益处仍然充满挑战24,25：每个转录组数据集都需要大量的预处理、标准化和分析——这

项工作劳动密集，且难以在不同生物和人口背景下保持一致性。