签名基因选择和星细胞瘤表型的功能分析:一项比较研究

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 癌症研究 癌症研究

背景情况:

• 奥米克技术产生了巨大的,高维的数据,这对于新型癌症生物标志物发现至关重要.
• 功能选择对于管理复杂的omics数据集和实现强大的分析至关重要.
• 特性选择方法的变化可能会影响下游的生物推断.

研究的目的:

• 用特征选择和分类来识别2级和3级星细胞瘤中的特征基因组.
• 分析特征选择对分类准确性和生物模式发现的影响.
• 为了比较仅分类与混合 (选择和分类) 算法方法的结果.

主要方法:

• 将特征选择和分类方法应用于星细胞瘤基因表达数据 (伦布朗特存储库).
• 使用主要组件分析 (PCA),统一多重近似和投影 (UMAP) 和数据探索的层次聚类.
• 评估基因本体学 (GO) 和KEGG路径丰富对选定的基因组.

主要成果:

• 特征选择将10,096个基因减少到28-128个基因,显著减少噪音并提高分类准确性.
• 在所有测试方法中,没有一个基因被一致选择.
• 在已识别的基因本体学术语和KEGG途径之间观察到方法之间的实质性差异,重叠有限.

结论:

• 不同的特征选择技术产生了独特的基因特征和对天体细胞瘤的生物学见解.
• 在提高分类的同时,某些方法可能无意中忽略了重要的生物现象.
• 选择特征选择策略的选择极大地影响了OMIC数据的解释和生物标志物发现.