基于概率图分类模型的潜在药物靶标挖掘算法研究

Immunotherapy has become a novel and effective method in cancer treatment. Identifying valid drug targets plays a key role in the development of precision treatment. The traditional way of screening druggable targets using only one biological feature merely satisfies the analytical requirements of high-throughput and diverse data with exponential growth rate. High dimensional omic data could depict the drug targets feature in the molecular level, but it also makes the interpretation and classification more difficult for scientists due to its high data dimension and diverse data structure.Therefore, this study will focus on integrating the omic information of portraying the druggable biomarkers, designing a new algorithm which automatically classify and reduct the features, identifying the potential druggable targets.

免疫治疗是目前肿瘤治疗的一种新颖而有效的手段，寻找有效的药靶标志物分子是实现精准靶向治疗的关键。传统方法利用单一的分子特性来寻找潜在的药物靶标分子已无法满足对高通量、多元化并且成指数形式增长的分子层面的生物大数据的分析需求。虽然组学数据能够描述药靶分子层面的特征，然而却因为数据的高维和异构使得研究人员对特征之间的关系难以解释和分类。本课题将从信息学角度出发，通过整合多种组学信息资源刻画药靶标志物的特征，进而设计一种新的算法,在计算过程中自动实现对于相关特征的归类，对高维异构的标志物特征数据集合进行有效的降维分类，筛选出高可信度的潜在的药靶分子。

本课题从信息学角度出发，完成了基于结构贝叶斯分类器的模型设计和程序开发。通过整合多种组学数据刻画了筛选药物标志物的新算法。在课题完成中形成了针对肿瘤高通量测序数据中免疫相关的新靶点发现的多个应用。本课题的创新算法实现了对于特征的归类的同时，对高维异构的标志物特征数据集进行有效的降维分类，筛选出高可信度的潜在的药靶分子。..在黑色素肿瘤的数据分析与应用中，我们发现关键的模式识别受体与预后显著正相关，算法筛选的模式识别受体构建的Cox模型比任何单个靶标具有更好的预后效能。进一步的分析结果表明，我们的风险评分可以指示黑色素瘤中的免疫细胞浸润和免疫活性。我们还发现一些模式识别受体基因的表达与免疫检查点分子的表达高度相关，表明它们可能是临床免疫治疗的指标。..本项目的从算法设计与开发，数据分析与整合，在肿瘤数据的结果验证的各个步都按计划顺利进行。在项目执行期间，发表了高水平学术论文5篇，均为 SCI收录5篇（其中影响因子大于5分的3篇）。培养了博士研究生1名，硕士研究生1名；算法和实验验证结果均达到国际先进水平。