通过基因表达特征,通过机器学习驱动的中枢母细胞瘤分子子组的识别
H Hourfar1, P Taklifi2, M Razavi3
1Bioprocess Engineering Department, Institute of Industrial and Environmental Biotechnology, National Institute of Genetic Engineering and Biotechnology, Tehran, Iran.
Clinical oncology (Royal College of Radiologists (Great Britain))
|February 28, 2025
概括
机器学习模型有效地使用基因表达数据对脑髓母细胞瘤 (MB) 子组进行分类. 特征选择显著提高了准确性,特别是在3组和4组,有助于个性化MB治疗.
科学领域:
- 计算生物学是一种计算生物学.
- 儿科瘤学 儿科瘤学
- 基因组学就是基因组学.
背景情况:
- 骨髓母细胞瘤 (MB) 是一个常见的小儿脑瘤,具有显著的分子多样性.
- 准确的MB子组分类对于量身定制治疗和预测结果至关重要.
- 现有的分类方法可能无法完全捕捉MB的分子异质性.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于分类脑髓母细胞瘤分子子组.
- 评估特征选择对ML分类器用于MB子组识别的性能的影响.
- 确定最佳的ML方法来区分不同的脑髓母细胞瘤亚型.
主要方法:
- 分析了来自70个儿科骨髓母细胞瘤样本的RNA测序数据.
- 五个ML分类器 (KNN,DT,SVM,RF,NB) 用于预测MB子组.
- 进行特征选择,以确定最佳的基因子集 (750,75,25个基因) 进行分类.
主要成果:
- 与完整的基因组相比,减少的基因组显著改善了分类和聚类性能.
- 随机森林 (RF),K-最近邻居 (KNN) 和支持矢量机 (SVM) 分类器表现出卓越的性能.
- 使用优化的特征集,实现了高分类准确率 (>90%),特别是在3组和4组脑髓母细胞瘤中.
结论:
- 机器学习算法是基于基因表达的有效工具来分类脑髓母细胞瘤分子子组.
- 特征选择是提高基于ML的MB分类的准确性和效率的关键步骤.
- 这些发现支持为脑髓母细胞瘤患者开发先进的个性化治疗策略.
