基于动态网络生物标志物和深度学习的早期预警和肝癌诊断
Yukun Han1,2,3, Javed Akhtar4,5,2,3, Guozhen Liu4
1Institute of Modern Biology, Nanjing University, Nanjing 210023, China.
Computational and structural biotechnology journal
|January 12, 2024
概括
通过将动态网络生物标志物 (DNB) 与图卷积神经网络 (GCN) 结合起来,可以改善肝细胞癌的早期检测. 这种方法可以准确地识别出疾病在明显变化之前的发病,有助于早期诊断.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 系统生物学 系统生物学
背景情况:
- 由于复杂的,网络驱动的病理学,肝细胞癌 (HCC) 的检测是困难的.
- 动态网络生物标志物 (DNB) 通过跟踪分子相关性变化,为早期疾病预测提供了潜力.
- 传统的DNB方法可能无法完全考虑疾病异质性.
研究的目的:
- 将DNB分析与图形卷积神经网络 (GCN) 集成,用于早期检测HCC.
- 用小鼠模型识别HCC发展中的关键过渡点.
- 开发HCC进展的预测模型.
主要方法:
- 利用了来自HCC小鼠模型的转录组数据.
- 构建了一个DNB-GCN模型,使用基因表达水平作为节点特征.
- 该模型经过训练,以识别表明HCC发展的网络过渡.
主要成果:
- DNB分析指出,在癌症的组织学检测之前,在7周内发生了关键过渡.
- DNB-GCN模型在区分健康和癌症小鼠方面实现了100%的准确性.
- 该模型成功预测了新的未见的小鼠的健康状况.
结论:
- 整合DNB和GCN对早期发现HCC等复杂疾病充满希望.
- 这种方法捕获了关键的网络结构和传统方法遗漏的分子特征.
- 为了临床应用,建议进行进一步的研究和验证.
