Obimno profilisanje proteina i gena je proširilo razumevanje veza proteina sa rakom i genskih mutacija, ali je ponekad teško razlikovati da li ti proteini i geni aktivno doprinose bolesti ili su samo posmatrači. U nedavnoj studiji objavljenoj u časopisu Nature Cancer, istraživači sa Medicinskog fakulteta Bejlor predstavili su FunMap, pristup zasnovan na mašinskom učenju, koji pomaže u proceni uloge genetskih mutacija povezanih sa rakom i manje proučavanih proteina. Ovaj pristup ima širok značaj za napredovanje razumevanja biologije raka i razvoj terapijskih strategija.
Dr Bing Zhang, profesor molekularne i ljudske genetike, objašnjava važnost dobijanja funkcionalnih informacija o genima i proteinima povezanim sa rakom. Njihov pristup uključuje korišćenje mašinskog učenja za razvoj mreže koja mapira funkcionalne odnose ovih gena i proteina. Tim je razvio FunMap, funkcionalnu mrežu od preko 10 hiljada gena, koja je integrisala podatke o proteinima i sekvenciranju RNK iz 11 tipova raka. FunMap je omogućio identifikaciju velikog broja asocijacija među genima, pružajući duboko funkcionalno razumevanje proteina povezanih sa rakom.
Analiza mreže koju pruža FunMap otkriva proteinske module i hijerarhijsku organizaciju povezanu sa karakteristikama raka i kliničkim osobinama. Takođe, FunMap je identifikovao nove pokretače raka sa niskim frekvencijama mutacija, što je od velikog značaja za razumevanje složenih sistema raka. Kroz ovaj pristup, istraživači su uspeli da pruže dublje razumevanje mutacija i proteina povezanih sa rakom.
Ova studija ističe potencijal integracije mašinskog učenja i proteogenomskog profilisanja u istraživanju raka. Generisanjem sveobuhvatne funkcionalne mreže, istraživači su otvorili novi vid istraživanja funkcionalne genomike raka, što može doprineti razvoju efikasnijih terapija.
