通过使用肠道微生物组和暴露组数据的综合建模,对胰腺癌进行高度准确的诊断
Yuli Zhang1, Haohong Zhang2, Bingqiang Liu1
1School of Mathematics, Shandong University, Jinan 250200, Shandong, China.
iScience
|March 7, 2024
概括
这项研究引入了一种新的AI工具,即Multi-Omics Co-training Graph Convolutional Networks (MOCO-GCN),用于非侵入性胰腺癌检测. 该模型显示了高精度,并揭示了环境因素和肠道细菌如何影响胰腺癌的发展.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 人工智能的人工智能
背景情况:
- 胰腺管道腺癌 (PDAC) 的检测具有挑战性,需要新的非侵入性诊断方法.
- 了解环境暴露 (暴露体) 和肠道微生物组在PDAC病变发生过程中的相互作用至关重要.
研究的目的:
- 开发和验证用于PDAC检测的强大,准确和非侵入性分类器.
- 调查肠道微生物组在暴露组和PDAC发育之间的关联中扮演的调解角色.
主要方法:
- 开发用于PDAC分类的多主题联合培训图形卷积网络 (MOCO-GCN).
- 在德国PDAC患者的外部队列上验证MOCO-GCN模型.
- 调解分析以探索暴露组-微生物组-PDAC相互作用.
主要成果:
- MOCO-GCN实现了高精度 (0.9 ± 0.06),F1得分 (0.9 ± 0.07) 和AUROC (0.89 ± 0.08),超过了现有的方法.
- 该模型的性能在独立的德国PDAC患者队列中得到证实.
- 调解分析发现了潜在的联系,例如 * Fusobacterium nucleatum * 在调解类风湿性关节炎对PDAC的影响中的作用.
结论:
- MOCO-GCN分类器为高准确性和可解释的PDAC诊断提供了一个有希望的非侵入性方法.
- 该研究强调了暴露组和肠道微生物组对PDAC发育的联合影响.
- 这项研究为胰腺癌复杂的病因提供了新的见解.
