一种新的机器学习算法选择蛋白质组签名,专门识别癌症外基因组

科学领域:

• 生物化学 生物化学
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.

背景情况:

• 非侵入性癌症诊断面临着低灵敏度和特异性的挑战.
• 外体,含有母细胞分子的纳米纤维,由于它们在生物流体中的丰富性,是有前途的生物标志物.
• 需要一种灵活,快速的基于外体的诊断方法,用于各种癌症和流体.

研究的目的:

• 开发一种基于机器学习的计算方法,使用外体相关蛋白来区分癌症.
• 为癌症检测和亚型化确定通用外体蛋白生物标志物和面板.
• 建立一个敏感和特定的非侵入性癌症诊断工具.

主要方法:

• 利用来自多种癌症类型的各种人体样本 (细胞系,组织,血,血清,尿液) 的外体蛋白的数据集.
• 鉴定出了关键的外体蛋白质,包括克拉特林重链 (CLTC),埃兹林 (EZR),塔林-1 (TLN1),亚丁烯基环酶相关蛋白1 (CAP1) 和莫因 (MSN).
• 使用蛋白质面板开发随机森林模型来区分癌症外基因组和分类亚型,并将性能与其他机器学习算法进行比较.

主要成果:

• 确定了五种高度丰富的宇宙外体生物标志物.
• 定义了三个蛋白质面板,能够区分癌症外体和非癌症外体,并对癌症亚型进行分类.
• 在使用血,血清或尿液衍生外体的模型中,获得的接收器操作特征曲线 (AUROC) 下的区域得分>0.91,优于其他分类器.

结论:

• 这项研究提供了一种可靠的癌症外基因组蛋白质生物标志物签名.
• 开发的机器学习方法为敏感和特定的非侵入性癌症诊断提供了可扩展的能力.
• 这种方法有可能在各种患者样本中改善早期癌症检测.