机器学习管道分析临床和蛋白质组学数据:前列腺癌病例的经验
Patrizia Vizza1, Federica Aracri2, Pietro Hiram Guzzi1
1Department of Surgical and Medical Sciences, Magna Græcia University, 88100, Catanzaro, Italy.
BMC medical informatics and decision making
|April 7, 2024
概括
这项研究引入了一种机器学习管道,用于分析蛋白质组学数据与临床信息相结合,以识别疾病生物标志物. 该管道成功识别了使用血清和尿液样本在前列腺癌患者中早期检测疾病的关键.
科学领域:
- 蛋白质组学和生物信息学
- 计算生物学和机器学习
背景情况:
- 使用质谱的蛋白质组分析产生复杂的数据,需要专门的平台来识别和量化蛋白质.
- 将临床信息与蛋白质组数据相结合,可以提高早期疾病的识别和分类.
- 机器学习 (ML) 提供了强大的工具来支持医生和生物学家分析复杂的生物数据集.
研究的目的:
- 开发和展示基于ML的管道,用于研究和分类由临床信息丰富的蛋白质组学数据.
- 为了使已确定的血液生物标志物与临床参数和蛋白质组特征的相关性.
- 将管道应用于前列腺相关疾病的早期检测和分类.
主要方法:
- 开发了一个三个阶段的管道:特征选择,模型培训和模型组合.
- 该管道整合了来自血液分析,组织样本,蛋白质组分析和尿液生物标记物的数据.
- 在前列腺癌 (PCa) 和良性前列腺激增症 (BPH) 患者的血清和尿液数据集上训练并验证了ML模型.
主要成果:
- 该管道从血清数据中确定了6个显著,从尿液数据中确定了2个.
- 最好的模型实现了高预测性能:血清 (AUC=0.87,精度=0.83) 和尿液 (AUC=0.88,精度=0.83).
- 该管道在使用综合临床和蛋白质组数据对前列腺相关疾病进行分类方面表现强.
结论:
- 开发的ML管道有效地整合了用于疾病生物标志物发现和分类的临床和蛋白质组数据.
- 该管道显示了早期疾病检测的前景,特别是在前列腺癌的背景下.
- 管道代码在GitHub上的开源可用性有助于其在类似的临床研究环境中被采用.
