基于转录基因组的基因组特征化用于机器学习模型的应用,以预测转移性癌症的起源

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 机器学习在瘤学中的应用

背景情况:

• 在未知原发性癌症 (CUP) 中确定原发性瘤部位对于有效的治疗和患者的治疗结果至关重要.
• 目前的诊断方法难以确定转移性癌症的起源,这导致了患者管理的挑战.
• CUP导致了大量与癌症相关的死亡,强调了需要改进诊断工具的需要.

研究的目的:

• 推出ONCOfind-AI,这是一种设计用于预测转移性癌症主要部位的机器学习框架.
• 为了利用基于转录组的基因组特征,提高癌症起源预测的准确性.
• 证明框架能够整合RNA测序和微阵列数据以提高模型性能.

主要方法:

• 开发一种机器学习框架 (ONCOfind-AI),利用从转录组数据中获得的基因组分数.
• 使用基因组分数,从不同的数据平台 (RNA测序和微阵列) 进行转录组资料的表征.
• 整合来自不同平台的数据,以训练和增强用于癌症起源预测的机器学习模型.

主要成果:

• 来自不同平台的数据的整合显著提高了机器学习模型预测癌症起源的准确性.
• 使用临床样本进行的外部验证实现了0.80-0.86的top-1准确度和0.90.9的top-2准确度.
• 使用精心策划的基因组促进了来自不同平台的基因表达数据的合并.

结论:

• ONCOfind-AI展示了一种有前途的方法,可以提高转移性癌症起源预测的准确性.
• 通过基因组结合生物知识,可以提高不同平台的数据兼容性,这对于强大的机器学习模型至关重要.
• 这一框架有可能有助于诊断CUP,指导更有效的治疗决策,并可能改善患者的治疗结果.