可解释的机器学习模型使用强大的癌症生物标记物鉴定从配对的差异性基因表达
Elisa Díaz de la Guardia-Bolívar1, Juan Emilio Martínez Manjón2, David Pérez-Filgueiras2
1Department of Computer Science and Artificial Intelligence, Andalusian Research Institute in Data Science and Computational Intelligence (DaSCI), University of Granada, 18071 Granada, Spain.
International journal of molecular sciences
|November 27, 2024
概括
这项研究引入了一种新的方法,通过比较瘤和健康组织来寻找癌症生物标志物. 该方法确定了27个关键基因,有助于检测癌症及其起源,改善生物标志物发现.
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:
- 临床瘤学需要可靠的生物标志物来照顾患者.
- 现有的生物标志物发现方法可能受到患者变异性和数据遗漏的限制.
研究的目的:
- 开发一种可靠和可解释的方法来识别癌症生物标志物.
- 发现基因组,以区分癌瘤与健康组织,并识别起源组织.
主要方法:
- 配对差异基因表达分析,比较原发性瘤和健康患者组织.
- 机器学习模型用于生物特征选择.
- 由于患病率和数据的可用性,重点关注瘤.
主要成果:
- 确定了27个关键基因,区分健康和癌细胞组织的不同类型.
- 精确确定了八种癌症类型的原始组织.
- 在一项概念验证研究中,成功确定了转移样本中的初级组织来源.
结论:
- 配对差异基因表达分析为瘤学中的生物标志物发现提供了强大的方法.
- 鉴定出的基因组显示出在癌检测和来源识别方面具有临床翻译的潜力.
- 该方法有效考虑了患者的变异性,提高了生物标志物的可靠性.


