使用DNA甲基化方法在未知起源瘤 (TUO) 中准确识别主要部位

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 未知起源的瘤 (TUO) 存在重大诊断挑战,导致患者预后不佳.
• 准确识别主要瘤部位对于TUO病例的有效治疗策略至关重要.
• 当前的诊断方法往往难以确定这些难以捉摸的瘤的起源.

研究的目的:

• 开发和验证基于机器学习的分类器,用于识别来源不明的瘤 (TUO) 中的主要原点.
• 通过精确的瘤来源识别,提高诊断准确度和改善患者存活率.
• 通过先进的可视化技术,探索新型疾病类别和对TUO的潜在新见解.

主要方法:

• 开发一种随机森林机器学习分类器,利用来自大量原发性和转移性瘤样本的甲基化数据.
• 在公开可用的和内部数据集上应用和验证分类器.
• 整合病理学家的专业知识和t-SNE (t-分布式静态邻居嵌入) 可视化以进行详细的样本分类.

主要成果:

• TUO甲基化分类器实现了高精度,正确分类了97%的样本.
• 85%的样本被分配高概率得分 (≥0.9) 他们的确定主要网站.
• 分类器成功地将样本分配到46个不同的原产地/疾病类,包括用于未来研究的新型类别.

结论:

• 开发的随机森林机器学习分类器在诊断来源不明的瘤方面取得了重大进展.
• 这种计算方法提供了一个强大的工具,可以提高TUO主要站点识别的准确性和效率.
• 该战略促进了更好的患者管理,并为进一步研究不充分描述的TUO亚型打开了道路.