用人工智能和机器学习辅助转录学分析识别乳腺癌的新型诊断和预后基因签名生物标志物
Zeenat Mirza1,2, Md Shahid Ansari3, Md Shahid Iqbal4
1King Fahd Medical Research Center, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Cancers
|June 28, 2023
概括
机器学习模型确定了乳腺癌 (BC) 诊断和预后的新基因特征. 这些基于差异表达基因 (DEGs) 的模型为识别BC和预测患者结果提供了更高的准确性.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 机器学习在瘤学中
背景情况:
- 乳腺癌 (BC) 诊断依赖于临床和组织病理学数据,这些数据可能缺乏准确性.
- 机器学习 (ML) 提供了一种强大的方法,通过分析基因表达模式来提高诊断准确性.
研究的目的:
- 开发和验证基于ML的乳腺癌诊断和预后模型,使用基因表达造型.
- 为了确定新的基因特征,表明BC的存在和患者的存活率.
主要方法:
- 来自11个GEO微阵列数据集的701个BC样本的分析,以确定差异表达基因 (DEG).
- 应用七种ML方法进行基因选择,构建诊断和预后模型.
- 使用qRT-PCR和额外的ML算法 (GBDT,XGBoost,AdaBoost,KNN,MLP) 验证已识别的基因特征.
主要成果:
- 识别355个DEG和预测BC相关途径.
- 发现了九个基因的诊断特征 (包括 COL10A,S100P,ADAMTS5) 和八个基因的预后特征 (包括 CCNE2,NUSAP1,TPX2).
- 通过qRT-PCR和多重ML方法验证基因特征,确认它们的表达和预测潜力.
结论:
- ML方法成功构建了乳腺癌的新型诊断和预后模型.
- 确定了9个基因的诊断和8个基因的预后特征,这表明了改善BC检测和结果预测的巨大潜力.
