Utilizing mutual exclusivity for the identification of cancer driver gene modules

Abstract

Genomic analyses from large cancer cohorts have revealed the mutational heterogeneity problem which hinders the identification of driver genes based only on mutation profiles. One way to tackle this problem is to incorporate the fact that genes act together in functional modules. The connectivity knowledge present in existing protein-protein interaction networks together with mutation frequencies of genes and the mutual exclusivity of cancer mutations can be utilized to increase the accuracy of identifying cancer driver modules. We present a novel edge-weighted random walk-based approach that incorporates connectivity information in the form of protein-protein interactions, mutual exclusion, and coverage to identify cancer driver modules. MEXCOwalk outperforms several state-ofthe-art computational methods on TCGA pan-cancer data in terms of recovering known cancer genes, providing modules that are capable of classifying normal and tumor samples, and that are enriched for mutations in specific cancer types. MEXCOwalk identifies modules containing both well-known cancer genes and putative cancer genes that are rarely mutated in the pan-cancer data. We then take this approach one step further by devising a network-centric epistasis framework to evaluate the estimated values from existing mutual exclusivity finding algorithms and applying these values to MEXCOwalk. We observe a significant improvement in the recovery of known driver genes.

Büyük kanser kohortlarından alınan genomik analizler, sadece mutasyon profillerine dayalı olarak surücü genlerin tanımlanmasını engelleyen mutasyonel heterojenlik problemini ortaya çıkarmıştır. Bu sorunu çözmenin bir yolu, genlerin fonksiyonel modullerde birlikte hareket ettiği bilgisini kullanmaktır. Mevcut protein-protein etkileşim ağlarında bulunan bağlantı bilgisi, genlerin mutasyon frekansları ve kanser mutasyonlarının mutual exclusivity özelligi ile birlikte el alınarak kanser sürücü modüllerinin etkin bir şekilde bulunması için kullanılabilir. Bu tezde, protein-protein etkileşim ağlarında mevcut olan bağlantıları, karşılıklı dışlama ve kapsam bilgileriyle birleştirerek ayrıt ağırlıkları tanımlayan ve daha sonra bu ağırlıkları kullanan MEXCOwalk adında bir rastgele yürüyüş¸ algoritması önerilmektedir. MEXCOwalk TCGA pan-kanser verileri uzerinde bilinen kanser genlerini bulma, normal ve tümor örneklerini sınıflandırma ve belirli kanser türleri için zenginleşmiş¸ mutasyon profillerine sahip gen setlerini modül olarak tanımlama açılarından var olan yöntemlerden daha iyi performans göstermektedir. Ayrıca, MEXCOwalk pan-kanser verilerinde nadiren mutasyona uğramış kanser genlerini tespit etmede de başarılı olmuştur. Tezin, ikinci kısmında, mevcut karşılıklı dışlama bulma algoritmalarını değerlendirme amacıyla ag merkezli yenilikçi bir yontem geliştirilmiş; iyi çalışan karşılıklı dışlama bulma algoritmalarının çıkıları MEXCOwalk ayrıt ağırlıklarında kullanıdığında performansın daha da iyileştigi gözlemlenmiştir.