相关实验视频
Updated: Jun 28, 2025
07:50
Genome-Wide Analysis of DNA Methylation in Gastrointestinal Cancer
Published on: September 18, 2020
5.5K
深度学习和机器学习方法用于使用DNA甲基化配置文件来分类胃远转移性瘤
Jing Shi1, Ying Chen1, Ying Wang2
1Department of Medical Oncology, The First Hospital of China Medical University, Shenyang, China.
Computers in biology and medicine
|April 24, 2024
概括
机器学习模型使用DNA甲基化准确预测胃腺癌的远程转移. 深度神经网络实现了99.9%的AUC,确定了改善癌症预后的关键甲基化标志物.
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:
- 胃腺癌的远程转移显著恶化了患者的预后.
- DNA甲基化变化正在成为癌症进展的关键生物标志物.
- 早期发现转移对于有效治疗胃癌至关重要.
研究的目的:
- 开发和比较机器学习和深度学习模型,用于预测胃腺癌的远程转移.
- 确定关键的DNA甲基化标志物与胃癌转移相关.
- 用基因组数据提高转移检测的准确性.
主要方法:
- 预测模型的开发包括深度神经网络 (DNN),支持向量机 (SVM),随机森林 (RF),天真贝叶斯 (NB) 和决策树 (DT).
- 利用来自胃腺癌样本的DNA甲基化概况.
- 采用加权随机抽样技术处理不平衡的数据集.
主要成果:
- 与其他模型相比,深度神经网络 (DNN) 显示出更高的性能.
- 实现的曲线下的面积 (AUC) 为99.9%,精度回忆曲线下的面积 (AUPR) 为99.5%,用于转移预测.
- 鉴定了关键的甲基化标志物,与转移性瘤中重要的基因相关.
结论:
- 机器学习,特别是DNN,提供了一个非常准确的方法来预测基于DNA甲基化的胃腺癌的远程转移.
- 这项研究突出了DNA甲基化分析对早期癌症转移检测的潜力.
- 识别的甲基化标志物可以帮助理解瘤生物学和开发向疗法.
