相关实验视频
Updated: Jul 26, 2025
07:50
Genome-Wide Analysis of DNA Methylation in Gastrointestinal Cancer
Published on: September 18, 2020
5.6K
基于DNA甲基化的分类器区分肝脏内胰腺胆道瘤
Mihnea P Dragomir1, Teodor G Calina2, Eilís Perez3
1Institute of Pathology, Charité - Universitätsmedizin Berlin, Corporate Member of Freie Universität Berlin, Humboldt-Universität zu Berlin, Berlin, Germany; German Cancer Consortium (DKTK), Partner Site Berlin, and German Cancer Research Center (DKFZ), Heidelberg, Germany; Berlin Institute of Health, Berlin, Germany.
EBioMedicine
|June 22, 2023
概括
机器学习模型使用DNA甲基化数据准确地区分胰腺管道腺癌 (PAAD) 肝转移和肝内胆固醇癌 (iCCA). 这种DNA甲基化分类器可以改善胰腺胆道癌的诊断.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 鉴别胰腺管腺癌 (PAAD) 的肝转移与肝内胆管腺癌 (iCCA) 的区别在诊断上具有挑战性,因为它们具有相似的形态和共同的突变.
- 当前的诊断方法往往难以区分这两种不同的肝癌.
- 假设:通过机器学习分析的DNA甲基化模式可以有效地区分iCCA和PAAD肝转移.
研究的目的:
- 开发和验证基于DNA甲基化的机器学习分类器,以区分iCCA和PAAD肝转移.
- 评估机器学习模型在分类胰腺胆道肝癌中的准确性.
- 为改善这些具有挑战性的肝癌的诊断准确性提供一个工具.
主要方法:
- 来自iCCA (n=259),PAAD (n=431) 和正常胆道 (n=70) 组织的全基因组DNA甲基化数据是从公共数据集中编制的.
- 数据被分为参考 (n=399) 和验证 (n=361) 集;在参考集上训练了三个机器学习模型 (神经网络,支持矢量机器,随机森林).
- 分类器在技术验证集上得到验证,并在内部队列 (n=72) 上进一步测试.
主要成果:
- 在验证队列,神经网络,支持矢量机和随机森林分类器上,分别实现了97.68%,95.62%和96.5%的准确性.
- 通过异常检测进行过,提高了准确率至99.07% (神经网络),96.22% (支持矢量机),100% (随机森林).
- 神经网络分类器,使用应用过器,在独立的内部队列中实现了95.45%的准确性.
结论:
- 开发了一种基于DNA甲基化的高度准确的分类器,以区分iCCA,PAAD肝转移和正常胆道组织.
- 开发的工具显示了增强胰腺胆道癌的诊断过程,影响肝脏的显著潜力.
- 对DNA甲基化的机器学习分析提供了一个强大的方法来区分形态上相似的肝脏瘤.
