一种机器学习方法在体外人类细胞的转录组数据上识别细胞衰老
Shamsed Mahmud1,2, Chen Zheng1,2,3, Fernando E Santiago1,4
1Institute on the Biology of Aging and Metabolism, University of Minnesota, Twin Cities, Minneapolis, MN, 55455, USA.
GeroScience
|December 31, 2024
概括
机器学习准确地识别了细胞衰老 (SnCs),这是一个关键的衰老标志. 支持向量机器在使用RNA测序数据将这些细胞与对照细胞区分时达到99%以上的准确性.
科学领域:
- 分子生物学分子生物学
- 生物信息学是一种生物信息学.
- 老年学是一门学科.
背景情况:
- 细胞衰老是老化的一个公认的标志.
- 由于分子异质性,检测衰老细胞 (SnCs) 是一个挑战.
- 机器学习 (ML) 在识别高维数据中的复杂模式方面表现出色.
研究的目的:
- 评估ML算法在识别SnCs方面的有效性.
- 用大量RNA测序数据比较不同ML模型的性能.
主要方法:
- 四个ML算法 (SVM,RF,DT,SIMCA) 进行了测试.
- 使用了来自162个体外样本 (纤维细胞,黑色细胞,角质细胞) 的大量RNA测序数据.
- 衰老是由辐射,白素治疗和复制引起的.
- 验证包括十倍交叉验证,离开一次的交叉验证和独立数据集验证.
主要成果:
- 所有经过测试的ML方法在区分SnC时都达到了80%以上的准确性.
- 支持向量机 (SVM) 展示了卓越的性能,达到99%以上的准确性.
- 使用算法优先和专家策划的基因列表获得了类似的高精度.
结论:
- ML提供了一种强大的方法来识别细胞衰老.
- 在区分SnC与对照细胞方面,SVM非常有效.
- 这项研究证实了ML作为老化识别概念验证的潜力.
