Un enfoque de perceptrón multicapa perturbado para predecir sitios metastásicos distantes de pacientes con cáncer

Área de la Ciencia:

• Oncología Oncología.
• La bioinformática es la bioinformática.
• Biología computacional Biología computacional.

Sus antecedentes:

• La metástasis del cáncer es una de las principales causas de mortalidad por cáncer, sin embargo, predecir sitios distantes de metástasis sigue siendo difícil.
• Los datos limitados y la complejidad dificultan la predicción precisa de las metástasis distantes utilizando los métodos de aprendizaje actuales.
• Predecir sitios metastásicos específicos es más desafiante que predecir la ocurrencia de metástasis.

Objetivo del estudio:

• Desarrollar un nuevo modelo de aprendizaje profundo para predecir sitios metastásicos distantes específicos de la expresión génica del cáncer primario.
• Para utilizar la expresión y los cambios de correlación de ARN endógeno (ceRNA) competidor (ΔSCCs) para mejorar la precisión de la predicción.
• Demostrar el rendimiento superior y la interpretabilidad del modelo desarrollado en comparación con los métodos existentes.

Principales métodos:

• Desarrollo de un modelo de aprendizaje profundo de perceptron multicapa perturbado (PMLP).
• Las características de entrada incluyen los niveles de expresión de los ceRNA y sus cambios de correlación (ΔSCC) en el sitio primario del cáncer.
• Validación del modelo utilizando conjuntos de datos independientes no incluidos en la capacitación.

Principales resultados:

• PMLP logró un alto rendimiento predictivo en todos los sitios metastásicos, con un AUC promedio de 0.99, una precisión >96% y puntuaciones F1 >0.91.
• El modelo demostró un rendimiento superior en comparación con otros métodos de vanguardia.
• El estudio empleó con éxito PMLP con ΔSCC para predecir sitios metastásicos distantes específicos, logrando una alta precisión e interpretabilidad.

Conclusiones:

• El modelo PMLP desarrollado ofrece una herramienta poderosa e interpretable para predecir sitios metastásicos distantes específicos.
• Este enfoque, aprovechando los cambios de correlación de ceRNA, avanza en la predicción de la metástasis del cáncer.
• El modelo puede servir como una valiosa ayuda para los médicos en la predicción de la propagación metastásica potencial basada en la expresión génica del tumor primario.