Гены-кандидаты
ишемического
инсульта
Биоинформатический поиск генов-кандидатов, связанных с многофакторными заболеваниями, путём анализа генных сетей с помощью алгоритмических подходов и машинного обучения на примере ишемического инсульта.
Инсульт наследуется,
но окончательный список
генов пока не сформирован
Ишемический инсульт — социально значимое многофакторное заболевание и вторая причина смерти в мире. Высокая наследуемость говорит о значительной роли генетической предрасположенности, но традиционный подход к поиску генов заболеваний — полногеномный поиск ассоциаций GWAS — трудоёмок, дорог и выявляет лишь часть интересующих генов.
Что мы хотим сделать
Провести поиск генов-кандидатов ишемического инсульта в предположении их топологической схожести в генных сетях с уже известными генами, связанными с ишемическим инсультом.
Для кого этот проект
Для молекулярных биологов и генетиков, исследующих генетические основы многофакторных заболеваний.
Пять списков генов,
пять генных сетей
Все данные получены из открытых источников. Каждый участник команды работал со своим набором стартовых генов и своей генной сетью, что позволило выявить гены-кандидаты как специфичные для каждой пары данных, так и общие.
Гены, связанные с ишемическим инсультом
- База DisGeNET1159
- ДЭГ в мозге пациентов730
- ДЭГ в клетках нейробластомы SH-SY5Y при оксидативном стрессе463
- ДЭГ в крови пациентов387
- Ортологи человека ДЭГ крысы при экспериментальной ишемии890
ДЭГ — дифференциально экспрессирующиеся гены
Генные сети (число узлов)
- Alliance of Genome Resources26 807
- HumanNet plus18 659
- HS-PI17 849
- STRING16 185
- Menche et al., 201513 460
Крупнейшая сеть содержит 960 013 рёбер
От топологии сети
к списку кандидатов
Гены не работают поодиночке — они образуют сеть взаимодействий. Если ген расположен рядом с известными генами заболевания, он с большой вероятностью участвует в том же процессе. Мы научили модель улавливать это соседство.
- Методы
- Алгоритмические
подходы- Max-Edges / Топ-Kмакс. число связей с генами болезни или их доля
- Оценка p-valueметодом пермутаций
- DIAMOnDмин. p-value числа связей
-
- Машинное
обучение- 7 эмбеддингов Node2Vecчисло признаков 8, 16, 32, 64, 128, 256, 512
- PU-обучениеобучение на позитивных и неразмеченных данных
- Унарная
классификация- OneClassSVM
- Бинарная классификация1 — гены инсульта · 0 — максимально далёкие гены
- Логистическая регрессия
- Метод опорных векторов
- Дерево решений
-
-
-
-
Алгоритмы поиска
Модели
Оранжевым отмечены алгоритмы и подходы, разработанные командой проекта. DIAMOnD описан в литературе (Ghiassian et al., 2015).
Инструменты
Функциональная аннотация
Как мы проверяли, что находка не случайна
Для оценки статистической значимости попадания гена в топ-100 мы выполнили не менее 1000 предсказаний на случайно сформированных наборах генов заболевания. P-value считали как частоту встречаемости гена в этих случайных топах по формуле p = (frequency + 1) / (N + 1). В итоговый список отбирали гены с p < 0,05.
Сеть генов
можно покрутить
Так выглядит фрагмент генной сети в трёхмерном пространстве: каждый узел — ген, линии — взаимодействия между белками. Оранжевым подписаны найденные нами гены-кандидаты. Потяните мышью, чтобы повернуть сеть, наведите на узел — увидите название.
Что показали
модели
Зависимость ROC-AUC от размерности эмбеддинга
Метод опорных векторов держится у потолка на всех размерностях, тогда как логистическая регрессия и дерево решений заметно теряют качество с ростом размерности.
Результаты по каждому набору данных
Комбинации различных алгоритмов, моделей и подходов со списками стартовых генов и генных сетей создавали свои списки генов-кандидатов. И несмотря на огромный размер датасетов и на совершенно разную их биологическую природу, многие списки предсказанных генов имели инварианты, остававшиеся при пересечении нескольких предсказаний. А оставшееся разнообразие предсказанных генов говорит о том, что различные алгоритмы замечают разные закономерности — от локальной структуры до глобальных взаимоотношений.
Сеть: Alliance of Genome Resources
26 807 узлов, 960 013 рёбер
Найдено 10 наиболее вероятных генов-кандидатов. PRMT1, PRNP и BIRC3 участвуют в регуляции воспаления, апоптоза, окислительного стресса и нейропротекции.
TRIM67 и PLEKHA4 участвуют в восстановлении нервной ткани и нейропластичности после ишемического повреждения мозга.
Сеть: Menche et al., 2015
13 460 узлов, 141 296 рёбер
CRHR1 — рецептор стресса мозга; PHACTR1 — регулятор нейронов и цитоскелета, сбои ведут к энцефалопатии и инфаркту; NPC1 — переносчик холестерина; ACAA2 — фермент окисления жиров.
GORASP2 ранее рассматривался как терапевтическая мишень при ишемическом инсульте, ACTN2 участвует в функционировании клеток сосудов и ассоциирован с внутричерепной аневризмой.
Сеть: HS-PI
17 849 узлов, 633 460 рёбер
STAT1, PLCG1, CBL и LCK отвечают за работу иммунных клеток, MYH9 — за «скелет» клетки, ATF2 — ген стрессового ответа клетки.
Вместе это складывается в формулу: воспаление + стрессовый ответ + перестройка клеток. На этом же наборе получен лучший результат прогнозной модели — ROC-AUC 0,995.
Сети: HumanNet plus, Alliance
18 659 узлов, 1 979 957 рёбер
Полученные гены относятся к хемокиновой системе и в совокупности формируют сеть, связывающую окислительный стресс, нейровоспаление и репаративные процессы при ишемическом инсульте.
BCAR1 оказался единственным геном, найденным одновременно деревом решений и методом опорных векторов. Он участвует в передаче сигналов внутри клетки и регулирует её прикрепление, движение, рост и выживание.
5 генных сетей одновременно
Только три гена нашлись во всех пяти генных сетях сразу. CTNNB1 — полиморфизм rs2953 ассоциирован с риском развития ишемического инсульта и ишемической болезни сердца.
ESR1 кодирует рецептор эстрогена, играющий протективную роль при сердечно-сосудистых заболеваниях. GADD45B кодирует белок, играющий решающую роль в реакциях клеток на стресс, восстановлении ДНК и апоптозе.
+ функциональная аннотация
Гены, встречавшиеся несколько раз на разных эмбеддингах: IL6, TNF, TP53, CAV1, FN1, ALB ассоциированы с гипертонией (фактор риска инсульта); IL6, TNF, TP53, ALB — с мозговой (церебральной) ишемией; CD4 регулирует иммунный ответ и связан с тяжестью последствий для мозга; AKT1 — апоптоз и реакция на ишемию.
Эти же гены описаны в исследовании влияния генетических факторов на липиды крови — важный фактор кардиологических заболеваний (Talmud et al., 2009).
Самые надёжные гены-кандидаты
Встречаемость гена в топ-100, полученных для трёх классификаторов и семи эмбеддингов
Модель не знала
биологии — и всё
равно нашла её
Алгоритмам не давали ни одного биологического признака, только топологию сети. Функциональная аннотация через базу DAVID показала, что топ-100 генов от лучшей модели значимо обогащён процессами апоптоза, окислительного стресса, воспаления NF-κB и убиквитин-зависимой деградации белков.
Как проверяли биологическую интерпретацию
При биологической интерпретации, если генов достаточно много, можно найти связь почти с любым биологическим процессом. Поэтому мы учитывали не просто p-value, а FDR (метод Бенджамини — Хохберга), который вносит поправку на множественность проверок и отсеивает случайные совпадения.
Что удалось
доказать
Эффективность алгоритмов
Биоинформатический анализ пяти списков генов и пяти генных сетей выявил высокоперспективные гены-кандидаты ишемического инсульта — включая CRHR1, PHACTR1 и BCAR1.
Одноклассовая проблема — бинарное решение
Разработанный подход к решению проблемы PU-обучения позволил использовать алгоритмы бинарной классификации в условиях, когда изначально был представлен только один класс объектов.
Биологическая состоятельность
Модель, не зная биологии априори, на основе топологии генной сети позволила идентифицировать в том числе гены, имеющие отношение к патогенезу ишемического инсульта.
Практический потенциал
Собственные алгоритмы Max-Edges и Топ-K, а также подход к решению проблемы PU-обучения универсальны и могут применяться для поиска генов-кандидатов любых других многофакторных заболеваний.
Ограничения
- Неполнота списков болезнь-ассоциированных генов
- Смещение кандидатов в сторону высокосвязанных (хабов) или слабосвязанных генов
- Ограниченная валидация — смещена в сторону хорошо изученных генов
- Выбор представителей негативного класса по декартовым расстояниям в пространстве эмбеддинга
Перспективы
- Обобщение предсказаний для разных входных данных и пайплайнов
- Апробация проделанной работы посредством публикации статей и участия в конференциях
- Исследование ДЭГ в крови людей после ишемического инсульта для экспериментальной проверки предсказанных генов-кандидатов
- Использование других входных данных или модификация / аугментация существующих
Кто сделал
проект
Выполняли
ВККулаковскийУсть-Кут · 10 класс
КООстровскаяПермь · 9 класс
ЛЗЗайцеваСанкт-Петербург · 10 класс
ПДДолецкаяБалашиха · 9 класс
ТССтепановпгт Сириус · 10 класс
Научные руководители
ГХХворыхкандидат биологических наук, главный специалист лаборатории молекулярной генетики человека НИЦ «Курчатовский институт»
ЕББондарьлаборант-исследователь, лаборатория молекулярной генетики человека, НИЦ «Курчатовский институт»
АККашицинастажёр программы · студентка МФТИ, 3 курс
Благодарности
Благодарим Образовательный центр «Сириус», организаторов конкурса «Большие вызовы», методиста и преподавателей направления «Природоподобные и нейротехнологии» за возможность принять участие в программе и поработать над таким большим вызовом.
Особая благодарность руководителям проекта
Открыты к научному
сотрудничеству
Если вы исследуете генетические основы многофакторных заболеваний и наши алгоритмы могут быть вам полезны — напишите нам.
Проект выполнен при научной поддержке
НИЦ «Курчатовский институт»