Tijdens het leven ondergaat ons DNA veel somatische aberraties waarvan slechts een klein deel effectief is cellen in staat stellen om kanker te worden (stuurprogramma's). Methoden die afhankelijk zijn van een eerder interactienetwerk hebben veelbelovende resultaten opgeleverd bij het identificeren van deze stuurprogramma's. Echter, huidige modellen hoog de biologische realiteit oversimplificeren: de netwerken die de analyse aansturen, vangen de context van de tumor. Ook omdat aberraties gemodelleerd zijn op genniveau, de mogelijkheid die anders is mutaties in hetzelfde gen die dit gen op verschillende manieren beïnvloeden, kunnen niet worden overwogen. Naar Om deze problemen op te lossen, zullen we 1) een datagedreven benadering gebruiken om een ​​contextspecifiek te construeren probabilistisch netwerk en 2) ontwikkel een model dat het mogelijk maakt om de nog niet geëxploiteerde functies te exploiteren informatie om het effect van elke afzonderlijke aberratie over dit netwerk te traceren. Om dit te doen, de
methode neemt aan dat een aberratie van de bestuurder een respons veroorzaakt die zich voortplant via het netwerk. De sleutel tot de methode is het gebruik van een afwijkend expressiefenotype (differentieel expressieniveau, isovormschakelaars, ...) om deze voortplantingsreactie, de pad van invloed genaamd, te traceren en te kwantificeren (POI). Gebaseerd op kenmerken van hun POI, wordt elke somatische aberratie gescoord om bestuurders te identificeren. Analyse op Cohort-niveau maakt het vervolgens mogelijk stuurprogramma's te identificeren door te zoeken naar oververtegenwoordigd
POI's in hoog scorende aberraties. Toepassing van de methode op de ICGC PAWG-gegevens zal bijdragen aan een systeemniveau inzicht in tumorigenese.