深度通路分析的扩展：一个整合多维癌症基因组学数据的通路路径分析框架

癌症研究的最新突破来自新兴的通路分析领域。通过对先前已知的基因和蛋白质调控信息应用统计方法，通路分析为解读基因组数据提供了一种有意义的方式。尽管许多基因/蛋白质调控关系已被研究，但从未有如此大量的数据以基因/蛋白质调控网络和通路的有组织形式被提供。然而，通路分析研究仍处于起步阶段，尤其是在应用于解决实际问题时。在本文中，我们提出了一种研究生物通路的新方法，该方法交叉分析突变信息、转录组和蛋白质组学数据。利用这一结果，我们识别出可能导致疾病病因的异常通路的路径。每条通路路径被编码为一个贝叶斯网络，该网络用一系列专门设计用于编码通路中调控关系方向性的条件概率进行初始化。使用这种方法可以建模通路中更复杂的相互作用，例如磷酸化和甲基化等。我们模型的有效性通过其在TCGA的mRNA-seq、突变、拷贝数变异和磷酸化数据上区分真实通路与诱饵通路的能力得到证明，研究对象包括乳腺癌和卵巢癌研究。大多数被区分的通路可以通过生物学文献得到证实。此外，正确识别通路的比例比先前仅整合mRNA-seq突变数据的乳腺癌患者研究高出%。因此，这种整合更多样化数据的深入通路分析可以提高扰动通路检测的准确性。