NNBGWO-BRCA标记:基于神经网络和二进制灰狼优化的乳腺癌生物标志物发现框架,使用多omics数据集
Min Li1, Yuheng Cai1, Mingzhuang Zhang1
1School of Information Engineering, Nanchang Institute of Technology, No. 289 Tianxiang Road, Nanchang Jiangxi, PR China.
Computer methods and programs in biomedicine
|June 23, 2024
概括
这项研究引入了一种新的深度学习框架,用于从多omics数据中识别乳腺癌生物标志物. 该方法成功地以高准确度对乳腺癌亚型进行了分类,为向治疗铺平了道路.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 乳腺癌带来了显著的死亡风险,需要早期检测和精确分类.
- 跨学科数据集成对于识别乳腺癌生物标志物和亚型至关重要.
- 深度学习为分析复杂的多学科数据提供了潜力,但缺乏强大的特征选择方法.
研究的目的:
- 提出一个新的深度学习框架,NNBGWO-BRCAMarker,用于从多omics数据中发现乳腺癌生物标志物.
- 为了利用神经网络和灰狼优化,在生物标志物发现中进行有效的特征选择.
- 为了实现乳腺癌亚型的精确分类,针对性治疗策略.
主要方法:
- 一个两个阶段的框架: 1) 使用feedforward神经网络权重进行基因选择. 2) 通过二元灰狼优化进行进一步的基因选.
- 利用多种omics数据进行全面的生物标志物识别.
- 使用支持矢量机 (SVM) 与RBF内核用于分类准确性评估.
主要成果:
- 使用NNBGWO-BRCAMarker框架确定了80种潜在的乳腺癌生物标志物.
- 使用已识别的生物标志物,实现了乳腺癌亚型的0.9242 ± 0.03的分类准确度.
- 通过随后的分析,发现了25个可用药物的基因,16个丰富的通路和8个预后基因.
结论:
- 该NNBGWO-BRCAMarker框架成功地确定了关键生物标志物,用于准确的乳腺癌亚型分类.
- 发现的生物标志物和相关分析为临床研究和个性化医学提供了宝贵的见解.
- 这项研究强调了将深度学习与优化算法集成为基于多omics的生物标志物发现的潜力.
