实施基于机器学习的系统,通过血液代谢物分析来早期诊断猫乳腺癌

科学领域:

• 兽医瘤学 兽医瘤学
• 生物标志物发现发现
• 机器学习在诊断中的应用

背景情况:

• 猫乳腺癌 (FMC) 是未经化母猫的常见和致命的癌症.
• 目前用于FMC的诊断方法可能会延迟和不可靠,影响治疗结果.
• 对FMC生物标志物和早期检测的研究仍然有限.

研究的目的:

• 识别与猫乳腺癌 (FMC) 相关的血液代谢物和基因.
• 调查已识别的生物标志物和FMC之间的关系.
• 开发用于早期FMC诊断的机器学习 (ML) 模型.

主要方法:

• 使用MetaboAnalyst软件进行通路分析,对患有FMC的猫类动物的血液代谢物进行分析.
• 机器学习 (ML) 技术的应用,以基于血液代谢物数据来分类FMC.
• 使用STRINGdb和MetaboAnalyst识别重要的基因 (例如ERBB2,PDGFA,EGFR).

主要成果:

• 在FMC中涉及的关键代谢途径包括氨酸,酸,谷氨酸代谢,谷氨酸代谢,氨酸生物合成和甘氨酸脂代谢.
• 几种基因 (ERBB2,PDGFA,EGFR,FLT4,ERBB3,FIGF,PDGFC,PDGFB) 被确定为FMC发育中的重要基因.
• 最好的ML模型在预测FMC检测的代谢物类中达到85.11%的准确性.

结论:

• 生物标志物识别和代谢途径分析对于了解FMC至关重要.
• 开发的ML模型显示了对猫乳腺癌的早期和准确诊断的希望.
• 这些发现可以有助于改进诊断策略,并可能为患有FMC的猫提供更好的结果.