CORNETO: Машинное обучение для анализа сложных омиксных данных

Учёные из EMBL-EBI и их коллеги из Гейдельбергского университета разработали CORNETO — новый вычислительный инструмент, использующий машинное обучение для извлечения значимой информации из сложных биологических данных. Подробности опубликованы в Nature Machine Intelligence.

CORNETO позволяет извлекать молекулярные сети — карты взаимодействия генов, белков и сигнальных путей — путём объединения экспериментальных данных из разных образцов и условий с априорными биологическими знаниями (например, о сигнальных или метаболических сетях). Это помогает лучше понять механизмы, приводящие клетку к здоровому или болезненному состоянию.

Унифицированный анализ омиксных данных

Традиционно учёные анализируют данные одного условия за раз (например, сравнивая здоровые и больные клетки) и строят отдельные сети взаимодействий для каждого. CORNETO использует машинное обучение для совместного анализа множества образцов или условий, выделяя общие биологические процессы и определяя различия между образцами.

"Использование CORNETO похоже на поиск общих нитей в запутанной паутине", — пояснил Пабло Родригес-Миер, постдокторант Гейдельбергского университета.

Применение на практике

Исследователи использовали CORNETO для анализа данных экспрессии генов у нескольких онкологических пациентов, чтобы обнаружить специфические внутриклеточные сигнальные пути, ведущие себя аномально. Используя только транскриптомные данные, CORNETO идентифицировал ключевые дерегулированные киназы (ферменты, регулирующие клеточную сигнализацию), которые также были независимо обнаружены с помощью фосфопротеомики.

CORNETO также используется в проекте ЕС DECIDER для выявления нарушенных сигнальных путей, связанных с устойчивостью к химиотерапии у пациентов с раком яичников.

Кроме того, инструмент применили для анализа метаболических путей у штаммов дрожжей с инактивированными генами. CORNETO смог определить ключевые процессы, которые дрожжевые клетки использовали для выживания и роста.

CORNETO доступен как открытое программное обеспечение на GitHub.