CanID: un esquema de clasificación de diagnóstico basado en la expresión de RNAseq robusto y preciso para tumores...

Área de la Ciencia:

• En el campo de la oncología
• La bioinformática
• Aprendizaje automático

Sus antecedentes:

• La clasificación de los subtipos de cáncer pediátrico es crucial para las terapias dirigidas.
• Los métodos actuales enfrentan desafíos en el alcance, la precisión y la estandarización para los cánceres pediátricos.
• Los clasificadores de aprendizaje automático basados en omics se utilizan cada vez más para aumentar la histopatología.

Objetivo del estudio:

• Desarrollar un esquema de clasificación robusto de aprendizaje automático para los subtipos de cáncer pediátrico.
• Para abordar los desafíos analíticos en la clasificación de diversos tumores sólidos pediátricos y malignidades hematológicas.
• Proporcionar un enfoque basado en el transcriptoma para mejorar el diagnóstico y la estratificación de tumores.

Principales métodos:

• Desarrolló la identificación del cáncer (CanID), un modelo de aprendizaje automático de conjunto apilado.
• Utilizó datos de recuento de secuenciación de ARN a nivel genético (características transcriptómicas) como única entrada.
• CanID entrenado en 3203 muestras de cáncer pediátrico en 13 tumores sólidos y 38 subtipos de tumores malignos hematológicos.

Principales resultados:

• Se logró una precisión del 99% para los tumores sólidos y de un 92-93% para las neoplasias hematológicas en conjuntos de datos de ensayos independientes.
• Robustez demostrada frente a las variaciones biológicas y técnicas, incluidas las diferencias en la recopilación de datos y el desequilibrio de clases.
• Se clasificaron con éxito subtipos difíciles para la evaluación clínica de la histología.

Conclusiones:

• CanID ofrece un esquema de clasificación basado en transcriptomas altamente preciso y robusto para cánceres pediátricos.
• La interpretabilidad biológica del modelo ayuda a avanzar en el diagnóstico y la estratificación del tumor.
• CanID representa una herramienta valiosa para la oncología de precisión y la toma de decisiones clínicas.