一种深度学习方法用于分类HNSCC和HPV患者使用单细胞转录组学

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 头部和部状细胞癌 (HNSCC) 是一种全球普遍存在的癌症.
• 早期发现HNSCC至关重要,但由于昂贵和侵入性的方法,具有挑战性.
• 目前对HNSCC的诊断方法需要在成本效益和患者侵入性方面进行改进.

研究的目的:

• 开发和评估用于HNSCC检测的机器学习和深度学习模型.
• 将HNSCC样本分为HPV阳性 (HPV+) 和HPV阴性 (HPV-) 类别.
• 使用转录组学数据识别与HNSCC相关的关键基因及其HPV状态.

主要方法:

• 使用单细胞转录组学数据 (GSE181919数据集),包括HNSCC和正常样本.
• 应用特征选择 (mRMR) 来识别重要的基因和基因本体学 (GO) 丰富分析.
• 开发并验证了分类模型,包括人工神经网络,80%的培训和20%的验证数据分割.

主要成果:

• 一个人工神经网络模型在验证集上实现了HNSCC分类的0.91的AUROC.
• 同一个模型显示,对HPV+和HPV-HNSCC患者进行分类的AUROC为0.83.
• 基因丰富分析表明,选择的基因主要参与结合和催化活动.

结论:

• 开发了准确的机器学习模型来检测HNSCC和确定HPV状态.
• 在Python中创建了一个用户友好的软件包,用于HNSCC预测和HPV状态识别.
• 开发的工具可以在线访问,为HNSCC诊断提供一种潜在的非侵入性方法.