一个基于路径的计算框架,用于识别多种omics生物标志物的新模式,并在其食道癌症中的应用

科学领域:

• 发现生物标志物的发现.
• 计算生物学是一种计算生物学.
• 癌症研究 癌症研究

背景情况:

• 基于路径的生物标志物策略比基于基因的方法提供了更好的解释性和稳定性.
• 基于路径的生物标志物的临床应用受到计算复杂性和性能的限制.

研究的目的:

• 提出一种机器学习框架,用于识别途径衍生的核心生物标志物.
• 结合基于基因和基于途径的生物标志物的优势.

主要方法:

• 集成机器学习和基因通路网络来选择生物标志物.
• 开发和验证的诊断模型使用超过1400多omics样本从食道状细胞癌 (ESCC).

主要成果:

• 来自路径的核心生物标志物在训练数据集中实现了卓越的性能 (mRNA的AUC/精度为0.98/0.95,miRNA为0.89/0.81).
• 与基因生物标志物相比,测试队列显示AUC/精度 (6.1%/7.3%) 改善,变异性减少 (69%).
• 确定了45%更多之前报告的生物标志物,并增强了对ESCC病因学的功能相关性.

结论:

• 来自路径的核心生物标志物显示出增强的预测性能和稳定性.
• 这些生物标志物提供更高的功能解释性,表明癌症诊断的潜力.