在一项新的研究中，一群科学家详细介绍了他们如何将统计物理和人工智能的力量融为一个数学工具包，可以将癌症变异数据转化为多维模型，以显示具体突变如何改变细胞中蛋白质的社交网络。
虽然这可能听起来像是一些深夜书呆子草图的设置，但研究人员已经习惯了这个前提并将其应用于现代生物学中越来越繁琐的问题，即在基因组数据的上升海洋中找到意义。
在该特定的实例中，数据包括癌症突变的阵容，即基因组研究在令人叹息的速率下发布。挑战正在寻找新的和有效的方法来解析来自噪声的信号（并且没有噪声不足）。
作为一种解决这一目标的新方法，一群科学家们已经融合了统计物理和人工智能的力量进入了一个数学工具包，可以将癌症变异数据转化为多维模型，以显示具体突变如何改变细胞中蛋白质的社交网络。从这里，他们可以推测癌细胞中存在的多数突变之间的突变可能实际上在驾驶疾病中起作用。
在这种新方法的核心是一种基于统计力学的算法，通过预测其微观组分的宏观特性来描述大现象的理论物理学的分支。
“我们在这里发现，我们在统计力学中的一个基本概念，我们中的许多人在理论物理课程中被吸取的大学生，然后在很大程度上忘了，因为它没有作为生物学家申请的日常生活，可以与最困难的人癌症遗传学中存在的问题，“Peter Sorger，HMS Otto Krayer Systems Pharmacology教授和纸质高级作者教授。
这些调查结果是第一个由系统药理（LSP）的新实验室生产的发现，于11月2日在Nature Genetics在线公布。
暗物质很重要
在多个群体的工作数十年后，许多最广泛研究的癌症基因如P53和RAS。但今天，在高吞吐学基因组学的时代，我们拥有数千次来自成千上万的样本的数据。结果，编目癌症突变的纯粹体积是巨大的。但并非所有突变都实际上影响了肿瘤行为。许多人似乎是骑行，所以说话，并作为称为“乘客突变”的结果。为了将驾驶员与乘客分开，研究人员通常使用一种“轮询”策略，它们识别最常见的突变，推理这些是重要的突变。然后，只有最有前途的候选者才经过适用于P53和Ras的详细和艰苦的分析。
穆罕默德Alquraishi是一个与LSP和Sorger Lab和纸张的牵头作者相关联的独立HMS系统生物研究员，推出了生物学家需要更多的生物物理严谨的工具来彻底冲洗这些数据。在遗传学，统计和物理学中的背景下，Alquraishi意识到生物学家可以利用实时数据集的统计权力，并将其与理论物理结婚。“这就是银色和费曼在一起的方式会这样做，”他开玩笑说道。
统计力学是一种精确的物理描述，即近分子的集合如何产生我们感知的宏观性质，例如温度和压力。Alquraishi利用其核心原则作为分析患有癌症基因组地图集的信息的平台的基础。因此，他能够产生一些突变如何改变蛋白质社交网络网络的巨大，复杂的蜂窝网络网络的详细示意图，这是在很大程度上决定细胞的健康或缺乏。在这样做时，他偶然发现了一些意外的发现。
同样，许多癌症突变是常见的，并且许多癌症突变是罕见的 - 一些如此稀有的甚至它们只在少数患者中发生。Alquraishi发现常见和罕见的突变同样可能影响蛋白质网络。
“两种突变都同样强烈，”他说。“在这两种情况下，大约一个罕见的罕见和稀有突变的百分之一的百分之一化我们所研究的肿瘤网络。但罕见的突变在很大程度上被忽略了。我们需要开始关注他们。“
对于每个常见的突变，大约有四个稀有的突变，因此，基于数量，罕见的突变可能比以前怀疑更重要。“这是罕见的突变中的大部分行动的地方。我们很长时间被认为是这大唯一的罕见突变是暗物质的，但在这里我们刚刚发现所有这一切的暗物质实际上是重要的。“
再现结果
研究人员还发现突变并不是他们预期的钝力。而不是敲出网络的整个分支，例如邻域停电，或插入完全新的角色，即蛋白质，蛋白质，突变导致微妙，几乎外科精确地改变通信路径。
“从突变的角度来看，难以如此精确，”alquraishi说。“但癌症不能太破坏，否则可能会死。它需要在雷达下飞行。这种微妙的网络改变实现了这一目标。药物公司可以利用这一点，并可能开发更多的目标疗法。“
这些发现解决的最终领域是在科学文献中复制出版结果的问题。然而，在此处，研究人员能够利用基本物理原则来处理来自不同实验室（包括自己）的数据集，以消除误报并丰富真正的积极态度。因此，该模型比任何单个数据集更准确和可重复。
“我们可以通过使用模型和实验的数据来清理实验，”Alquraishi说。
“一般来说，科学中的不可替代性的大部分问题都是统计数据差的问题，”索尔格说。“我们直接解决了这一点。”
这项工作得到了国家卫生院校的支持GRANTS GM68762，GM107618和GM072872。
出版物：Mohammed Alquraishi等，“多尺度统计机械框架将生物物理和基因组数据集成到组装癌症网络中，”自然遗传学，2014年; DOI：10.1038 / ng.3138
图片：iStock;哈佛医学院
