从液体活检衍生的RNA-Seq数据中增加的生物相关特征中评估补充信息
Stavros Giannoukakos1,2,3, Silvia D'Ambrosi4, Danijela Koppers-Lalic5
1Department of Genetics, Faculty of Science, University of Granada, Granada, 18071, Spain.
Heliyon
|March 22, 2024
概括
这项研究引入了一种强大的液体活检RNA测序工作流,用于癌症诊断. 基于机器学习的方法通过整合各种生物特征和在独立数据集上验证结果来提高预测准确性和临床实用性.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 液体活检衍生RNA测序 (lbRNA-seq) 提供了非侵入性癌症诊断,但面临技术工件和标准化方面的挑战.
- 液体活检生物标志物的低可复制性往往是由于缺乏对独立数据集的结果验证.
研究的目的:
- 开发和验证使用lbRNA-seq.使用临床导向的癌症诊断的强有力的工作流.
- 通过基于机器学习的集体分类框架来整合各种生物特征.
- 严格对标准化方法进行基准测试,并在独立数据集上评估工作流程的有效性.
主要方法:
- 利用了来自三个生物材料来源的多项研究的十个数据集.
- 实施和基准的样本内部规范化方法,包括每百万计数 (CPM).
- 引入了新的生物特征类型,如法典转录的分数,以及基因表达数据.
- 采用基于机器学习的集成分类框架进行数据集成和分析.
主要成果:
- 每百万计数 (CPM) 规范化方法的稳定性和性能与交叉样本方法相提并论.
- 新的生物特征,如法典转录的部分,提供了补充信息,不断提高预测能力.
- 开发的工作流证明在来自不同实验室和协议的独立数据集上是稳健的,性能优于标准方法.
结论:
- 本工作流程提高了在癌症诊断中用于液体活检衍生RNA测序的预测准确度.
- 多种生物特征的整合和对独立数据集的严格验证有助于其稳定性和潜在的临床实用性.
- 这种方法解决了标准化lbRNA-seq的关键局限性,以实现无临床整合.
