一个深度学习模型使用循环瘤细胞预测各种癌症类型的存在
Somayah Albaradei1, Nofe Alganmi1,2, Abdulrahman Albaradie3
1Computer Science Department, Faculty of Computing and Information Technology, King Abdulaziz University, 80200, Jeddah, Saudi Arabia.
Scientific reports
|November 30, 2023
概括
这项研究引入了一种新的计算方法,使用循环瘤细胞 (CTC) mRNA数据的深度学习来检测多种癌症类型. 该方法可以准确地识别各种癌症,为非侵入性癌症诊断提供了一个有前途的工具.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 癌症研究 癌症研究
背景情况:
- 循环瘤细胞 (CTC) 对癌症转移至关重要,可以通过液体活检进行分析.
- 在CTC中基因表达具有识别癌症生物标志物的潜力.
- 现有的方法往往专注于特定的癌症类型,缺乏CTC mRNA数据的通用方法.
研究的目的:
- 开发一种通用的计算框架,用于使用原始循环瘤细胞 (CTC) mRNA表达数据检测多种癌症类型.
- 在这个任务中,将深度学习 (DL) 方法与传统机器学习 (ML) 方法的有效性进行比较.
- 从CTC数据中识别各种癌症类型的关键基因.
主要方法:
- 开发了两个计算工作流程:一个是利用深度学习 (DL) 的原始mRNA数据,另一个是使用机器学习 (ML) 的枢纽基因排名算法.
- 命名为DNNraw的DL工作流被设计为自动化和强大.
- 这两个工作流程的目的是识别基于CTC mRNA配置文件区分癌症类型的顶级基因.
主要成果:
- 与ML方法相比,DNNraw DL框架在识别多种癌症类型方面表现出更高的准确性.
- DL方法实现了高性能指标,包括0.9652的平均精度,0.9640的回忆,0.9638的f1得分和0.9640.0的整体精度.
- 生物信息学分析通过不同的方法确定了常见的顶级基因,为共享的癌症标志物提供了洞察力.
结论:
- 这项研究提出了第一个通用方法,直接从原始CTCmRNA数据预测多种癌症类型,而无需特征选择步骤.
- 开发的DL框架为非侵入性癌症检测提供了强大而准确的方法.
- 这些发现突显了CTC基因表达分析在广泛癌症诊断中的潜力.
更多相关视频
10:12Target Cell Pre-enrichment and Whole Genome Amplification for Single Cell Downstream Characterization
Published on: May 15, 2018
8.9K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K
