基于深度学习的来源组织的识别未知初级癌症使用微RNA表达:算法开发和验证

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.

背景情况:

• 未知原发性癌 (CUP) 占所有恶性瘤的多达5%,并且由于未识别的原发性组织 (TOO),在治疗中具有重大挑战.
• 识别TOO对于开发有效的,针对CUP患者量身定制的治疗至关重要,因为癌症的起源决定了治疗的敏感性.
• 由于它们的稳定性,非编码RNA可以作为癌症起源检测的生物标志物.

研究的目的:

• 调查微RNAs (非编码RNAs的一个子集) 作为准确的生物标志物来确定转移性癌症的起源组织 (TOO) 的潜力.
• 应用数据驱动的机器学习方法来识别癌症也是 TOO.

主要方法:

• 利用了来自癌症基因组图谱 (TCGA) 数据集的microRNA表达数据.
• 评估各种机器学习分类器,包括深度学习方法.
• 在来自序列读取档案 (SRA) 的独立数据集上验证了分类器的性能.

主要成果:

• 在使用TCGA数据集上的深度学习模型检测转移样本的TOO时达到高达97%的准确性.
• 通过深度学习技术证明了预测准确度的提高,超过了决策树和后勤回归等传统方法.
• 确定了microRNA-10b,microRNA-205和microRNA-196b作为预测癌症TOO的关键生物标志物.

结论:

• 机器学习技术可以用于开发精确的测试,以检测未知初级癌症 (CUP) 的原始组织.
• 在细胞外囊泡中循环的microRNAs是液体活检的有希望的生物标志物,可实现非侵入性癌症检测.
• 这项研究为开发利用microRNA签名的基于血液的癌症检测测试奠定了基础.