照亮NSCLC生物标志物的道路:利用XAI引导的深度学习的力量

科学领域:

• 计算生物学 计算生物学
• 人工智能的人工智能
• 基因组学就是基因组学.

背景情况:

• 早期诊断非小细胞肺癌 (NSCLC) 对患者的生存和生活质量至关重要.
• 由于NSCLC的分子异质性,因此需要识别生物标志物来区分亚型和向治疗.
• 甲基化数据有可能发现NSCLC特定的生物标志物.

研究的目的:

• 开发一种新的可解释AI (XAI) 引导的深度学习框架,用于发现NSCLC生物标志物.
• 从甲基化数据中识别一组重要的生物标志物,以改进NSCLC分类.
• 评估发现的生物标志物的临床疗效和药物可用性.

主要方法:

• 一个由两个块组成的框架,将自动编码器和神经网络结合起来,用于NSCLC分类.
• 使用XAI方法 (IntegratedGradients,GradientSHAP,DeepLIFT) 来识别七个重要的生物标志物.
• 使用机器学习算法和集成的多omics数据 (RNA-Seq,CNV,甲基化) 评估生物标志物性能.

主要成果:

• 拟议的框架实现了高分类准确性,多层感知器 (MLP) 模型产生了91.53%的十倍交叉验证准确性.
• 整合RNA-Seq,CNV和甲基化数据,精度提高到96.37%.
• 发现的生物标志物证明了药物可用性,预后相关性,与104种疾病的关联,并针对多种生物途径.

结论:

• 开发的XAI指导框架成功确定了临床有效的生物标志物,用于准确的NSCLC分类.
• 发现的生物标志物具有针对性治疗和个性化治疗策略的潜力.
• 未来的工作将整合多样化的OMIC和组织病理学数据,以更精确地发现生物标志物.