Tumor tissue/cell-of-origin prediction using epigenomic chromatin features and somatic mutation density
연구 내용
크로마틴 마크와 국소 체세포 변이 밀도 정보를 결합해 종양의 조직 또는 세포 기원을 예측하는 기계학습 도구를 개발하는 연구
종양의 조직·세포 기원을 추정하기 위해 후성유전체 수준의 크로마틴 마크와 변이 축적 양상을 함께 활용하는 연구입니다. 정상 조직/세포, 전암 병변, 암 유형에서 유래한 국소 체세포 변이 밀도와 ChIP-seq 또는 크로마틴 접근성 자료를 결합하고, extreme gradient boosting 기반 모델로 입력 피처의 설명력을 순위화합니다. 이를 통해 관심 샘플의 변이 지형을 가장 잘 설명하는 크로마틴 특징을 갖는 조직·세포를 기원 후보로 지정합니다. 또한 변이 축적 초기 단계에서 열린 크로마틴과 enhancer 변화가 관련될 수 있음을 해석하는 틀을 제공합니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 크로마틴 마크가 변이 밀도 지형을 설명하는 핵심 피처가 될 수 있다는 관찰을 기반으로 예측 문제를 정식화했습니다. 이후에는 지역 단위의 somatic mutation density 정보와 크로마틴 데이터(ChIP-seq 또는 접근성 자료)를 함께 입력으로 하여, 학습과 추론 속도가 개선되는 extreme gradient boosting 체계를 구축했습니다. 다양한 종양 유형에 대해 기원 예측 성능을 비교하고, 예측 결과가 전암 또는 암 초기의 변이 축적과 크로마틴 상태 변화의 연결을 시사한다는 방향으로 해석을 확장하는 흐름으로 진행했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
COOBoostR: An Extreme Gradient Boosting-Based Tool for Robust Tissue or Cell-of-Origin Prediction of Tumors
COOBoostR: an extreme gradient boosting-based tool for robust tissue or cell-of-origin prediction of tumors