通过机器学习方法识别可靠和一致的生物标记候选物,应用于胰腺管道腺癌转移的机器学习方法
Tanakamol Mahawan1,2,3, Teifion Luckett4, Ainhoa Mielgo Iza4
1Program in Bioinformatics and Computational Biology, Graduate School, Chulalongkorn University, Bangkok, Thailand.
BMC medical informatics and decision making
|June 20, 2024
概括
这项研究引入了一种机器学习管道,以发现强大的复合生物标志物,用于胰腺癌等疾病. 该方法有效地识别了使用综合公开数据的胰腺管道腺癌转移的15基因候选生物标志物.
科学领域:
- 生物医学研究的研究.
- 计算生物学是一种计算生物学.
- 在瘤学瘤学.
背景情况:
- 生物医学研究中的机器学习 (ML) 在数据集成和可重复性方面面临挑战.
- 胰腺管道腺癌 (PDAC) 是一种具有攻击性的癌症,对可靠的转移性生物标志物的需求尚未得到满足.
- 本研究通过开发一种基于ML的新方法来解决这些局限性.
研究的目的:
- 提出和验证基于机器学习的管道,用于发现强大的疾病生物标志物.
- 为了确定胰腺管腺癌 (PDAC) 转移的复合生物标志物候选者.
- 展示整合和利用各种公共数据资源的优势.
主要方法:
- 利用来自五个公共存储库的初级瘤RNA测序数据,整合和纠正技术差异.
- 采用了10倍的交叉验证,在每倍的100个模型中进行可变选择,以识别强大的基因签名.
- 使用选择的基因构建并验证了一个随机森林模型,通过路径分析探索生物相关性.
主要成果:
- 开发了一个管道,能够检测复合生物标记物构建的强大的签名.
- 确定了一种15基因复合生物标志物候选PDAC转移的候选生物标志物,具有有希望的预测能力.
- 生物上下文化证实了鉴定出来的基因与癌症进展/转移之间的联系.
结论:
- 建立了一个强大的框架,用于识别可用于各种疾病的复合生物标志物.
- 提出了PDAC转移的可信复合生物标志物候选者,突出了临床应用的潜力.
- 通过再利用公共数据资源,证明了管道的可持续性和广泛适用性.
