基于机器学习的合成致死基因对预测模型的构建文献综述

《基于机器学习的合成致死基因对的预测模型构建》开题报告一、课题目的及意义:近年来，合成致死（Synthetic lethality）已经成为抗癌药物研发的新思路，针对合成致死基因对中的一个基因进行靶向治疗，可有效克服耐药性问题。

目前，合成致死疗法所面临的关键问题是在特定癌症类型中获得一批可靠的具有合成致死效应的基因对，为基于合成致死策略寻找关键基因的可能治疗靶点提供数据参考。

由于实验验证成本较高、耗时长且难以大批量开展，利用生物信息学手段预测可靠的合成致死基因对已成为了一种重要方法。

因此，本课题将基于已知合成致死基因对的相关特征，通过机器学习算法预测不同癌症中的合成致死基因对，为缩小实验验证范围有重要作用。

二、国内外研究状况和发展趋势2.1 合成致死在癌症治疗中的应用合成致死是指两个单独的非致死基因同时突变会导致细胞死亡，而其中一个基因单独突变不会导致细胞死亡的现象。

1922年，加尔文布里奇斯（Calvin Bridges）首次描述了这种现象[1]，他注意到模式生物果蝇（Drosophila melanogaster）中的某些突变组合对细胞具有致死作用，这种基因组合被称作为合成致死基因对。

癌症作为众病之王，已经成为人类健康的重要威胁。

在癌症的发生过程中涉及到许多基因的突变，开发有效的靶向癌症特异性突变药物成为了癌症药物治疗的主要手段，目前也取得了显著性的进展。

例如，赫赛汀可治疗具有HER2扩增的乳腺癌患者，易瑞沙可治疗具有EGFR突变的非小细胞肺癌患者。