机器学习分类器方法用于预测对RTK-type-III抑制剂的反应,使用转录组签名和活体数据显示出高准确性
Mauricio H Ferrato1, Adam G Marsh1, Karl R Franke2
1University of Delaware, Newark, DE 19716, USA.
Bioinformatics advances
|May 30, 2023
概括
机器学习模型可以利用基因表达数据预测患者对癌症药物的反应. 沙普利添加式解释 (SHAP) 技术与随机森林结合,在预测对福雷丁尼布的反应方面实现了89%的准确性. 这突出了ML的ML.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 精准医学是一门精准的医学.
背景情况:
- 机器学习 (ML) 在精准医学方面表现有前途,但在预测治疗反应方面面临挑战.
- 准确的治疗响应者与非响应者的分类仍然是一个活跃的研究领域.
- 开发新的ML方法对于推进个性化治疗策略至关重要.
研究的目的:
- 研究特征选择技术和分类器对ML模型性能的影响,以预测患者对RTK型III抑制剂的反应.
- 利用基因表达数据和ML来识别可预测治疗结果的转录基因特征.
- 评估主要成分分析 (PCA),SHAP和差异基因表达分析与XGBoost,LightGBM和随机森林 (RF) 分类器结合的有效性.
主要方法:
- 利用通过BeatAML倡议从451个个体获得的公开可用的RNA-seq基因计数数据.
- 应用了三个特征选择方法:PCA,SHAP和差异基因表达分析.
- 测试了三个分类器:XGBoost,LightGBM和RF,使用曲线下的面积 (AUC) -接收器操作特征 (ROC) 曲线评估模型性能.
主要成果:
- 特性选择技术显著影响了模型性能,而不是选择分类器.
- 与PCA和差异基因表达分析相比,SHAP技术显示出更高的性能.
- 最高性能模型将SHAP与射频分类器结合起来,实现89%的AUC来预测对Foretinib的反应.
结论:
- 在诊断时存在一个转录学签名,这可能可以预测治疗反应.
- 机器学习的应用对推进精准医学工作具有重大潜力.
- 开发的ML管道为个性化癌症治疗选择提供了一个有希望的方法.
