RU2013140708A - Способ для оценки потока информации в биологических сетях - Google Patents
Способ для оценки потока информации в биологических сетях Download PDFInfo
- Publication number
- RU2013140708A RU2013140708A RU2013140708/10A RU2013140708A RU2013140708A RU 2013140708 A RU2013140708 A RU 2013140708A RU 2013140708/10 A RU2013140708/10 A RU 2013140708/10A RU 2013140708 A RU2013140708 A RU 2013140708A RU 2013140708 A RU2013140708 A RU 2013140708A
- Authority
- RU
- Russia
- Prior art keywords
- patient
- altered
- database
- pathway
- information flow
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract 17
- 230000037430 deletion Effects 0.000 claims abstract 8
- 238000012217 deletion Methods 0.000 claims abstract 8
- 230000037431 insertion Effects 0.000 claims abstract 8
- 238000003780 insertion Methods 0.000 claims abstract 8
- 230000003993 interaction Effects 0.000 claims abstract 7
- 108090000623 proteins and genes Proteins 0.000 claims abstract 6
- 230000008707 rearrangement Effects 0.000 claims abstract 6
- 230000014509 gene expression Effects 0.000 claims abstract 4
- 239000013610 patient sample Substances 0.000 claims abstract 3
- 239000000523 sample Substances 0.000 claims abstract 3
- 108020004485 Nonsense Codon Proteins 0.000 claims abstract 2
- 230000000694 effects Effects 0.000 claims abstract 2
- 230000002068 genetic effect Effects 0.000 claims abstract 2
- 230000003426 interchromosomal effect Effects 0.000 claims abstract 2
- 230000037434 nonsense mutation Effects 0.000 claims abstract 2
- 239000002773 nucleotide Substances 0.000 claims abstract 2
- 125000003729 nucleotide group Chemical group 0.000 claims abstract 2
- 102000054765 polymorphisms of proteins Human genes 0.000 claims abstract 2
- 230000001105 regulatory effect Effects 0.000 claims abstract 2
- 230000037361 pathway Effects 0.000 claims 13
- 230000019491 signal transduction Effects 0.000 claims 6
- 206010028980 Neoplasm Diseases 0.000 claims 5
- 201000011510 cancer Diseases 0.000 claims 5
- 230000008859 change Effects 0.000 claims 5
- 239000003550 marker Substances 0.000 claims 5
- 239000013598 vector Substances 0.000 claims 5
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims 4
- 238000002560 therapeutic procedure Methods 0.000 claims 4
- 206010033128 Ovarian cancer Diseases 0.000 claims 3
- 206010061535 Ovarian neoplasm Diseases 0.000 claims 3
- 101000851018 Homo sapiens Vascular endothelial growth factor receptor 1 Proteins 0.000 claims 2
- 102100033178 Vascular endothelial growth factor receptor 1 Human genes 0.000 claims 2
- 238000011319 anticancer therapy Methods 0.000 claims 2
- 230000011987 methylation Effects 0.000 claims 2
- 238000007069 methylation reaction Methods 0.000 claims 2
- 229910052697 platinum Inorganic materials 0.000 claims 2
- 230000004044 response Effects 0.000 claims 2
- BJHCYTJNPVGSBZ-YXSASFKJSA-N 1-[4-[6-amino-5-[(Z)-methoxyiminomethyl]pyrimidin-4-yl]oxy-2-chlorophenyl]-3-ethylurea Chemical compound CCNC(=O)Nc1ccc(Oc2ncnc(N)c2\C=N/OC)cc1Cl BJHCYTJNPVGSBZ-YXSASFKJSA-N 0.000 claims 1
- 206010006187 Breast cancer Diseases 0.000 claims 1
- 208000026310 Breast neoplasm Diseases 0.000 claims 1
- YDNKGFDKKRUKPY-JHOUSYSJSA-N C16 ceramide Natural products CCCCCCCCCCCCCCCC(=O)N[C@@H](CO)[C@H](O)C=CCCCCCCCCCCCCC YDNKGFDKKRUKPY-JHOUSYSJSA-N 0.000 claims 1
- 102100025064 Cellular tumor antigen p53 Human genes 0.000 claims 1
- 108010077544 Chromatin Proteins 0.000 claims 1
- 230000007067 DNA methylation Effects 0.000 claims 1
- 230000004568 DNA-binding Effects 0.000 claims 1
- 108050009340 Endothelin Proteins 0.000 claims 1
- 102000002045 Endothelin Human genes 0.000 claims 1
- 101000729945 Homo sapiens Serine/threonine-protein kinase PLK2 Proteins 0.000 claims 1
- 101000582914 Homo sapiens Serine/threonine-protein kinase PLK4 Proteins 0.000 claims 1
- 102100039364 Metalloproteinase inhibitor 1 Human genes 0.000 claims 1
- CRJGESKKUOMBCT-VQTJNVASSA-N N-acetylsphinganine Chemical compound CCCCCCCCCCCCCCC[C@@H](O)[C@H](CO)NC(C)=O CRJGESKKUOMBCT-VQTJNVASSA-N 0.000 claims 1
- 102100040557 Osteopontin Human genes 0.000 claims 1
- 108010081689 Osteopontin Proteins 0.000 claims 1
- 206010060862 Prostate cancer Diseases 0.000 claims 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims 1
- 102100031462 Serine/threonine-protein kinase PLK2 Human genes 0.000 claims 1
- 102100030267 Serine/threonine-protein kinase PLK4 Human genes 0.000 claims 1
- 102000003705 Syndecan-1 Human genes 0.000 claims 1
- 108090000058 Syndecan-1 Proteins 0.000 claims 1
- 108010017842 Telomerase Proteins 0.000 claims 1
- 108010053099 Vascular Endothelial Growth Factor Receptor-2 Proteins 0.000 claims 1
- 102100033177 Vascular endothelial growth factor receptor 2 Human genes 0.000 claims 1
- 230000008827 biological function Effects 0.000 claims 1
- 230000031018 biological processes and functions Effects 0.000 claims 1
- 229940106189 ceramide Drugs 0.000 claims 1
- ZVEQCJWYRWKARO-UHFFFAOYSA-N ceramide Natural products CCCCCCCCCCCCCCC(O)C(=O)NC(CO)C(O)C=CCCC=C(C)CCCCCCCCC ZVEQCJWYRWKARO-UHFFFAOYSA-N 0.000 claims 1
- 210000003483 chromatin Anatomy 0.000 claims 1
- 239000013068 control sample Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 claims 1
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 239000003814 drug Substances 0.000 claims 1
- 229940079593 drug Drugs 0.000 claims 1
- ZUBDGKVDJUIMQQ-UBFCDGJISA-N endothelin-1 Chemical compound C([C@@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(O)=O)NC(=O)[C@H]1NC(=O)[C@H](CC=2C=CC=CC=2)NC(=O)[C@@H](CC=2C=CC(O)=CC=2)NC(=O)[C@H](C(C)C)NC(=O)[C@H]2CSSC[C@@H](C(N[C@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@H](CC(O)=O)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCC(O)=O)C(=O)N2)=O)NC(=O)[C@@H](CO)NC(=O)[C@H](N)CSSC1)C1=CNC=N1 ZUBDGKVDJUIMQQ-UBFCDGJISA-N 0.000 claims 1
- 238000002509 fluorescent in situ hybridization Methods 0.000 claims 1
- 230000006870 function Effects 0.000 claims 1
- 238000012268 genome sequencing Methods 0.000 claims 1
- 239000003862 glucocorticoid Substances 0.000 claims 1
- 230000006195 histone acetylation Effects 0.000 claims 1
- 238000003364 immunohistochemistry Methods 0.000 claims 1
- 238000002493 microarray Methods 0.000 claims 1
- 230000035772 mutation Effects 0.000 claims 1
- VVGIYYKRAMHVLU-UHFFFAOYSA-N newbouldiamide Natural products CCCCCCCCCCCCCCCCCCCC(O)C(O)C(O)C(CO)NC(=O)CCCCCCCCCCCCCCCCC VVGIYYKRAMHVLU-UHFFFAOYSA-N 0.000 claims 1
- 108091027963 non-coding RNA Proteins 0.000 claims 1
- 102000042567 non-coding RNA Human genes 0.000 claims 1
- 238000001556 precipitation Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 238000000926 separation method Methods 0.000 claims 1
- 230000011664 signaling Effects 0.000 claims 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/30—Unsupervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
- G16B5/20—Probabilistic models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
1. Способ отнесения пациента к клинически релевантной группе, содержащий этапы:получения наборов данных, содержащих один или более наборов молекулярных данных из образца пациента;идентификации вероятности изменения в пределах упомянутого одного или более наборов молекулярных данных по сравнению с базой данных молекулярных данных известных фенотипов, предпочтительно, молекулярных данных экспрессии одного или более генов пациента;выведения активности биологической сети на основании упомянутых вероятностей;идентификации вероятности потока информации сети для упомянутого пациента через вероятность взаимодействий в упомянутой сети на основании упомянутой вероятности измененных молекулярных данных;создания множественных вариантов потока информации сети для упомянутого образца пациента путем выборки из полного распределения вероятностей взаимодействия;вычисления расстояния упомянутого пациента от других субъектов в базе данных пациентов с использованием множественных вариантов потока информации сети; иприписывание упомянутого пациента к клинически релевантной группе на основании результата предыдущего этапа.2. Способ по п. 1, в котором упомянутые молекулярные данные содержат данные по нонсенс-мутациям, однонуклеотидным полиморфизмам (SNP), вариациям числа копий (CNV), вариациям сплайсинга, вариациям регуляторной последовательности, небольшим делециям, небольшим инсерциям, небольшим делециям и инсерциям, крупным делециям, крупным инсерциям, сложным генетическим перестройкам, межхромосомным перестройкам, внутрихромосомным перестройкам, потере гетерозиготности, инсерции повторов, делеции пов�
Claims (15)
1. Способ отнесения пациента к клинически релевантной группе, содержащий этапы:
получения наборов данных, содержащих один или более наборов молекулярных данных из образца пациента;
идентификации вероятности изменения в пределах упомянутого одного или более наборов молекулярных данных по сравнению с базой данных молекулярных данных известных фенотипов, предпочтительно, молекулярных данных экспрессии одного или более генов пациента;
выведения активности биологической сети на основании упомянутых вероятностей;
идентификации вероятности потока информации сети для упомянутого пациента через вероятность взаимодействий в упомянутой сети на основании упомянутой вероятности измененных молекулярных данных;
создания множественных вариантов потока информации сети для упомянутого образца пациента путем выборки из полного распределения вероятностей взаимодействия;
вычисления расстояния упомянутого пациента от других субъектов в базе данных пациентов с использованием множественных вариантов потока информации сети; и
приписывание упомянутого пациента к клинически релевантной группе на основании результата предыдущего этапа.
2. Способ по п. 1, в котором упомянутые молекулярные данные содержат данные по нонсенс-мутациям, однонуклеотидным полиморфизмам (SNP), вариациям числа копий (CNV), вариациям сплайсинга, вариациям регуляторной последовательности, небольшим делециям, небольшим инсерциям, небольшим делециям и инсерциям, крупным делециям, крупным инсерциям, сложным генетическим перестройкам, межхромосомным перестройкам, внутрихромосомным перестройкам, потере гетерозиготности, инсерции повторов, делеции повторов, метилированию ДНК, состояниям метилирования или ацетилирования гистонов, экспрессии генов и/или некодирующей РНК и/или данным преципитации хроматина, выявляющим сайты или участки связывания ДНК, предпочтительно полученные посредством секвенирования генома, иммуногистохимии, FISH, методик ПЦР и/или методик микрочипов.
3. Способ по п. 1 или 2, в котором упомянутое сравнение с базой данных молекулярных данных известных фенотипов представляет собой сравнение с базой данных биологических аннотаций, базой данных путей, базой данных по биологическим процессам и/или базой данных по биологическим функциям, предпочтительно, с базой данных взаимодействия путей Национального института рака, базой данных путей KEGG, базой данных BioCarta, базой данных Panther, базой данных Reactome и/или базой данных DAVID.
4. Способ по п. 3, в котором вероятность изменения в пределах упомянутого одного или более наборов молекулярных данных идентифицируется путем оценки измененных уровней экспрессии отдельных генов в сети посредством объединения упомянутых молекулярных данных с применением схемы вероятностной графической модели, предпочтительно, факторных графов.
5. Способ по п. 3, в котором вероятность изменения в пределах упомянутого одного или более наборов молекулярных данных идентифицируется путем оценки измененных уровней числа копий, измененных состояний метилирования или измененной функции гена вследствие мутаций геномных локусов или геномных областей в сети посредством объединения упомянутых молекулярных данных с применением схемы вероятностной графической модели, предпочтительно, факторных графов.
6. Способ по любому из пп. 1, 2, 4 и 5, в котором упомянутые взаимодействия представляют собой взаимодействия для генов или геномных локусов с молекулярными изменениями, предпочтительно, гены или геномные локусы, принадлежащие к биологическим сетям, в соответствии с определенным в базе данных путей.
7. Способ по любому из пп. 1, 2, 4 и 5, в котором упомянутое создание множественных вариантов потока информации сети используется для генерации распределения векторов потока информации образца, представляющих поток информации в сети для упомянутого пациента.
8. Способ по п. 7, в котором упомянутое расстояние упомянутого пациента от других субъектов вычисляется как среднее парных расстояний векторов потока информации в заданной сети.
9. Способ по п. 8, в котором упомянутое парное расстояние векторов потока информации вычисляется как евклидово расстояние между векторами потока информации в заданной сети, или как взвешенное евклидово расстояние, при этом веса для каждого элемента в векторе потока информации пропорциональны глубине этого взаимодействия в заданной сети.
10. Способ по любому из пп. 1, 2, 4, 5, 8 и 9, в котором упомянутое приписывание упомянутого пациента к клинически релевантной группе выполняется с помощью алгоритма кластеризации на основании парных расстояний упомянутого пациента с одним, более или всеми субъектами в базе данных пациентов.
11. Способ по любому из пп. 1, 2, 4, 5, 8 и 9, в котором упомянутая база данных пациентов представляет собой относящуюся к заболеванию базу данных, предпочтительно, относящуюся к заболеванию раком базу данных.
12. Способ по любому из пп. 1, 2, 4, 5, 8 и 9, в котором упомянутая клинически релевантная группа ассоциирована с раковым заболеванием, предпочтительно, с раком яичников, раком груди или раком предстательной железы, или с вероятностью рецидива ракового заболевания у субъекта после терапии, или в котором упомянутая клинически релевантная группа ассоциирована с вероятностью ответной реакции субъекта на терапию, содержащую один или более основанных на платине медикаментов.
13. Биомедицинский маркер или группа биомедицинских маркеров, ассоциированная с высокой вероятностью ответной реакции субъекта на терапию против рака, предпочтительно основанную на платине терапию против рака, при этом упомянутый биомедицинский маркер или группа биомедицинских маркеров содержит по меньшей мере 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13 или все маркеры, выбранные из измененного пути эндотелина, измененного сигнального пути церамида, измененного быстрого сигнального пути глюкокортикоида, измененного паксилин-независимого пути a4b1 и a4b7, измененного пути остеопонтина, измененного IL6 сигнального пути, измененного пути теломеразы, измененного сигнального пути JNK в пути CD4+TCR, измененного PLK2- и PLK4- пути, измененного EPO-сигнального пути, измененного p53-пути, измененного VEGFR1- и VEGFR-2 сигнального пути, измененного VEGFR1 - специфичного пути и измененного сигнального пути синдекана-1, указанных в таблице 1.
14. Исследование для обнаружения, диагностики, градуирования, контроля и прогнозирования медицинского состояния, или для обнаружения, диагностики, контроля или прогнозирования ответной реакции субъекта на терапию против упомянутого медицинского состояния, предпочтительно, рака, более предпочтительно, рака яичников, содержащее, по меньшей мере, этапы:
(a) тестирования образца, полученного у субъекта, на предмет изменения биомедицинского маркера или группы биомедицинских маркеров, по которым выполняется разделение, в соответствии с п. 13;
(b) тестирование контрольного образца на предмет изменений того же маркера или группы маркеров, что и в (a);
(c) определения различия изменений маркеров на этапах (a) и (b); и
(d) принятие решение о наличии или стадии медицинского состояния или об ответной реакции субъекта на терапию против упомянутого медицинского состояния, предпочтительно, рака, более предпочтительно, рака яичников, на основании результатов, полученных на этапе (c).
15. Система поддержки принятия клинических решений, содержащая:
средство ввода для предоставления наборов данных, содержащих данные комплексного молекулярного профилирования от пациента;
компьютерный программный продукт для обеспечения возможности выполнения процессором способа по любому из пп. 1-12 и для количественной оценки степени изменения потока информации биологической сети у упомянутого пациента; и
средство вывода для вывода приписывания пациента к клинически релевантной группе, при этом упомянутое приписывание пациента к клинически релевантным группам, предпочтительно, визуализируется в контексте потока информации в сетях и других клинически релевантных группах и/или здоровых субъектов.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201161439414P | 2011-02-04 | 2011-02-04 | |
| US61/439,414 | 2011-02-04 | ||
| PCT/IB2012/050405 WO2012104764A2 (en) | 2011-02-04 | 2012-01-30 | Method for estimation of information flow in biological networks |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2013140708A true RU2013140708A (ru) | 2015-03-10 |
Family
ID=45607318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2013140708/10A RU2013140708A (ru) | 2011-02-04 | 2012-01-30 | Способ для оценки потока информации в биологических сетях |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20140040264A1 (ru) |
| JP (1) | JP2014506784A (ru) |
| RU (1) | RU2013140708A (ru) |
| WO (1) | WO2012104764A2 (ru) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9773091B2 (en) | 2011-10-31 | 2017-09-26 | The Scripps Research Institute | Systems and methods for genomic annotation and distributed variant interpretation |
| US11342048B2 (en) | 2013-03-15 | 2022-05-24 | The Scripps Research Institute | Systems and methods for genomic annotation and distributed variant interpretation |
| WO2014149972A1 (en) | 2013-03-15 | 2014-09-25 | The Scripps Research Institute | Systems and methods for genomic annotation and distributed variant interpretation |
| US9418203B2 (en) | 2013-03-15 | 2016-08-16 | Cypher Genomics, Inc. | Systems and methods for genomic variant annotation |
| JP6603208B2 (ja) * | 2013-04-26 | 2019-11-06 | コーニンクレッカ フィリップス エヌ ヴェ | 複数の細胞内シグナル伝達経路活性を用いた治療反応の医学的予後及び予測 |
| US9589043B2 (en) * | 2013-08-01 | 2017-03-07 | Actiance, Inc. | Unified context-aware content archive system |
| EP3063684B1 (en) * | 2013-11-01 | 2019-08-28 | Koninklijke Philips N.V. | Patient feedback for use of therapeutic device |
| CN107004068B (zh) | 2014-11-25 | 2021-08-24 | 皇家飞利浦有限公司 | 基因组数据的安全传输 |
| WO2016147289A1 (ja) * | 2015-03-16 | 2016-09-22 | 富士通株式会社 | 情報分析プログラム、情報分析方法および情報分析装置 |
| JPWO2016147290A1 (ja) * | 2015-03-16 | 2017-12-21 | 富士通株式会社 | 情報分析プログラム、情報分析方法および情報分析装置 |
| US10395759B2 (en) | 2015-05-18 | 2019-08-27 | Regeneron Pharmaceuticals, Inc. | Methods and systems for copy number variant detection |
| WO2017091822A1 (en) * | 2015-11-25 | 2017-06-01 | Fliri Anton Franz Joseph | Method and descriptors for comparing object-induced information flows in a plurality of interaction networks |
| CA3014292A1 (en) | 2016-02-12 | 2017-08-17 | Regeneron Pharmaceuticals, Inc. | Methods and systems for detection of abnormal karyotypes |
| US10880254B2 (en) | 2016-10-31 | 2020-12-29 | Actiance, Inc. | Techniques for supervising communications from multiple communication modalities |
| KR20190133038A (ko) * | 2017-03-28 | 2019-11-29 | 난토믹스, 엘엘씨 | PARADIGM을 이용한 유방암에서의 miRNA 유도 침묵 모델링(MODELING miRNA INDUCED SILENCING IN BREAST CANCER WITH PARADIGM) |
| CN107516021B (zh) * | 2017-08-03 | 2019-11-19 | 北京百迈客生物科技有限公司 | 一种基于高通量测序的数据分析方法 |
| RU2703534C1 (ru) * | 2018-06-09 | 2019-10-21 | Общество с ограниченной ответственностью "ИНСИЛИКО" | Метод разработки биомаркеров заболеваний и физиологически активных веществ на основе расширенной версии алгоритма iPANDA |
| CN114582418A (zh) * | 2022-03-08 | 2022-06-03 | 山东大学 | 一种基于网络最大信息流模型的生物标记物识别系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080261820A1 (en) * | 2005-08-01 | 2008-10-23 | Mount Sinai School Of Medicine Of New York University | Methods to Analyze Biological Networks |
| RU2473555C2 (ru) * | 2006-12-19 | 2013-01-27 | ДжинГоу, Инк. | Новые способы функционального анализа большого количества экспериментальных данных и групп генов, идентифицированных из указанных данных |
| WO2009092024A1 (en) * | 2008-01-16 | 2009-07-23 | The Trustees Of Columbia University In The City Of New York | System and method for prediction of phenotypically relevant genes and perturbation targets |
-
2012
- 2012-01-30 JP JP2013552296A patent/JP2014506784A/ja active Pending
- 2012-01-30 WO PCT/IB2012/050405 patent/WO2012104764A2/en not_active Ceased
- 2012-01-30 US US13/983,651 patent/US20140040264A1/en not_active Abandoned
- 2012-01-30 RU RU2013140708/10A patent/RU2013140708A/ru not_active Application Discontinuation
Also Published As
| Publication number | Publication date |
|---|---|
| WO2012104764A3 (en) | 2013-04-18 |
| US20140040264A1 (en) | 2014-02-06 |
| WO2012104764A2 (en) | 2012-08-09 |
| JP2014506784A (ja) | 2014-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2013140708A (ru) | Способ для оценки потока информации в биологических сетях | |
| Lu et al. | MOVICS: an R package for multi-omics integration and visualization in cancer subtyping | |
| Lopez et al. | An unsupervised machine learning method for discovering patient clusters based on genetic signatures | |
| Baek et al. | Prediction of survival and recurrence in patients with pancreatic cancer by integrating multi-omics data | |
| JP7368483B2 (ja) | 相同組換え欠損を推定するための統合された機械学習フレームワーク | |
| Van Dam et al. | Gene co-expression analysis for functional classification and gene–disease predictions | |
| JP2014506784A5 (ru) | ||
| Taşan et al. | Selecting causal genes from genome-wide association studies via functionally coherent subnetworks | |
| Szolek et al. | OptiType: precision HLA typing from next-generation sequencing data | |
| Alkodsi et al. | Comparative analysis of methods for identifying somatic copy number alterations from deep sequencing data | |
| Yang et al. | CMDR based differential evolution identifies the epistatic interaction in genome-wide association studies | |
| Marderstein et al. | Demographic and genetic factors influence the abundance of infiltrating immune cells in human tissues | |
| Choi et al. | Improved prediction of breast cancer outcome by identifying heterogeneous biomarkers | |
| AU2016324166A1 (en) | Predicting disease burden from genome variants | |
| Yue et al. | PredCID: prediction of driver frameshift indels in human cancer | |
| Koumakis et al. | MinePath: mining for phenotype differential sub-paths in molecular pathways | |
| Chimusa et al. | ancGWAS: a post genome-wide association study method for interaction, pathway and ancestry analysis in homogeneous and admixed populations | |
| Song et al. | scLM: automatic detection of consensus gene clusters across multiple single-cell datasets | |
| Chen et al. | BiTSC 2: Bayesian inference of tumor clonal tree by joint analysis of single-cell SNV and CNA data | |
| Tian et al. | ContrastRank: a new method for ranking putative cancer driver genes and classification of tumor samples | |
| Munquad et al. | A deep learning–based framework for supporting clinical diagnosis of glioblastoma subtypes | |
| Thomas et al. | GECKO is a genetic algorithm to classify and explore high throughput sequencing data | |
| Zou et al. | eTumorType, An algorithm of discriminating cancer types for circulating tumor cells or cell-free DNAs in blood | |
| Rajaby et al. | SurVIndel: improving CNV calling from high-throughput sequencing data through statistical testing | |
| Milite et al. | A Bayesian method to cluster single-cell RNA sequencing data using copy number alterations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FA92 | Acknowledgement of application withdrawn (lack of supplementary materials submitted) |
Effective date: 20170119 |
|
| FZ9A | Application not withdrawn (correction of the notice of withdrawal) |
Effective date: 20170210 |