一种新的机器学习算法选择蛋白质组签名,专门识别癌症外基因组

科学领域:

• 生物化学 生物化学
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.

背景情况:

• 非侵入性癌症诊断面临着低灵敏度和特异性的挑战.
• 外体,含有母细胞生物标记物,在生物流体中丰富.
• 需要一种灵活的基于外体的方法来诊断胰腺癌.

研究的目的:

• 开发一种机器学习 (ML) 模型,使用外体蛋白生物标记物来区分癌症.
• 确定用于癌症检测的通用外体蛋白生物标志物.
• 为了分类癌症亚型并区分癌症外基因组与其他癌症亚型.

主要方法:

• 利用了来自各种人体样本 (细胞系,组织,血,血清,尿液) 的外体蛋白的数据集.
• 鉴定出了关键的外体蛋白质:克拉特林重链 (CLTC),埃兹林 (EZR),塔林-1 (TLN1),亚丁烯基环酶相关蛋白1 (CAP1) 和莫因 (MSN).
• 开发随机森林ML模型来分析癌症检测和亚型化蛋白质面板.

主要成果:

• 在使用血,血清或尿液外体蛋白质的模型中,获得的接收器操作特征曲线 (AUROC) 下的区域得分> 0.91.
• 与支持向量机,K近邻和高斯的天真贝叶斯分类器相比,表现出优异的性能.
• 成功确定了区分癌症外基因组的蛋白质面板,并有助于分类癌症亚型.

结论:

• 建立了一个可靠的癌症外基因组蛋白质生物标记签名.
• 验证了对敏感和特定的非侵入性癌症诊断的ML方法.
• 该方法提供可扩展的ML能力,以改善早期癌症检测.