Video Experimental Relacionado
Updated: Feb 28, 2026
Comprehensive DNA Methylation Analysis Using a Methyl-CpG-binding Domain Capture-based Method in Chronic Lymphocytic Leukemia Patients
Published on: June 16, 2017
Clasificación de Adenocarcinoma de Pulmón y Carcinoma de Células Escamosas Basada en Aprendizaje Profundo Utilizando
Maram Fahaad Almufareh1, Samabia Tehsin2, Mamoona Humayun3
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.
Un modelo de aprendizaje profundo que utiliza perfiles de metilación de ADN clasifica con precisión los subtipos de cáncer de pulmón no microcítico (CPNM), adenocarcinoma de pulmón (LUAD) y carcinoma de células escamosas de pulmón (LUSC), lo que ayuda en las decisiones de tratamiento.
Área de la Ciencia:
- Oncología; Genómica; Bioinformática
Sus antecedentes:
- La clasificación precisa del cáncer de pulmón no microcítico (CPNM) en adenocarcinoma de pulmón (LUAD) y carcinoma de células escamosas de pulmón (LUSC) es crucial para el tratamiento y el pronóstico. Los métodos actuales de subtipificación requieren mejoras para una gestión óptima del paciente.
Objetivo del estudio:
- Desarrollar y validar un modelo de aprendizaje profundo para clasificar subtipos de CPNM utilizando perfiles de metilación de ADN a nivel de genoma. Identificar biomarcadores clave de metilación de ADN para la clasificación de CPNM.
Principales métodos:
- Se utilizó la selección de características basada en la varianza para identificar 5000 sondas CpG discriminatorias de los datos de la matriz de perlas Illumina HumanMethylation450. Se desarrolló una red neuronal profunda de cinco capas con normalización por lotes y regularización de dropout para la clasificación. Se entrenó y validó el modelo con datos de The Cancer Genome Atlas (TCGA), con validación externa en conjuntos de datos de Gene Expression Omnibus (GEO) (GSE39279, GSE56044).
Principales resultados:
- El modelo logró una precisión del 96,92% y un AUC-ROC de 0,9981 en el conjunto de prueba TCGA. La validación entre conjuntos de datos demostró una generalización robusta, con un modelo entrenado en GEO logrando una precisión del 88,92% y un AUC-ROC de 0,9724 en datos de TCGA. El análisis SHAP identificó biomarcadores CpG clave que influyen en las decisiones de clasificación.
Conclusiones:
- Los modelos de aprendizaje profundo que aprovechan los datos de metilación de ADN ofrecen un enfoque confiable para la clasificación de subtipos de CPNM. Estos hallazgos sugieren una aplicabilidad clínica potencial para mejorar las estrategias de diagnóstico y tratamiento del CPNM.
