Pri raziskovanju bolezni raka sta iskanje bioloških označevalcev in analiza preživetja nepogrešljiva koraka. Biološki označevalci so ključni za razumevanje genskih predispozicij, diagnostiko in prognostiko bolezni ter načrtovanju ustreznih terapij. Njihovo odkrivanje pa je pogosto oteženo zaradi kompleksnosti kliničnih podatkov in pomanjkanja uporabniku prijaznih analitičnih orodij.

O tej temi sta pisala Jaka Kokošar in prof. dr. Blaž Zupan z UL FRI, skupaj s soavtorji v članku "Visual analytics framework for survival analysis and biomarker discovery from gene expression data", ki je bil objavljen v reviji PLoS One.

V članku raziskujejo, katere analitične komponente so ključne za omenjeno področje, ter predlagajo implementacijsko rešitev, zasnovano na vizualni analitiki, tj. kombinaciji analitičnih pristopov in vizualizacije podatkov. Predlagano orodje je razvito kot odprtokodni dodatek za program Orange Data Mining. Učinkovitost pristopa so avtorji potrdili z uspešno ponovitvijo analiz iz nedavnih onkoloških študij. Razvito orodje lahko bistveno pohitri analizo preživetvenih visokorazsežnih podatkov ter omogoča interaktivno preverjanje ali generiranje novih hipotez.

Slika prikazuje pristop, ki iz kompleksnih genskih podatkov izlušči vzorce, ključne za razumevanje raka dojk. Namesto da bi se osredotočili le na posamezne gene, raziskovalci upoštevajo širši kontekst bioloških procesov, kar omogoča globlje razumevanje bolezni. Ta pristop omogoča hitrejše odkrivanje uporabnih biomarkerjev, primerjavo različnih skupin bolnic in lažje oblikovanje novih raziskovalnih hipotez, ki lahko podprejo prihodnjo diagnostiko in zdravljenje.

Več si lahko preberete tukaj:

• Kokošar J., Turkay C., Ausec L., Štajdohar M., Zupan B. (2026) Visual analytics framework for survival analysis and biomarker discovery from gene expression data. PLoS One 21(3): e0325399. https://doi.org/10.1371/journal.pone.0325399