深度学习驱动的多omics顺序诊断与混合-OmniSeq:解开乳腺癌的复杂性

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 机器学习在瘤学中

背景情况:

• 乳腺癌的特点是乳腺组织不受控制的生长.
• 多omics数据分析对于理解乳腺癌的复杂性至关重要.
• 准确的诊断依赖于识别分子亚型.

研究的目的:

• 介绍Hybrid-OmniSeq,这是一个基于深度学习的多omics分析技术.
• 使用基因基因分子亚型提高乳腺癌诊断的精度和有效性.
• 提高检测雌激素受体 (ER) 和人类表皮生长因子受体2 (HER2) 状态的准确性.

主要方法:

• 使用BC-VM进行预处理和BC-MSA进行分子亚型分析.
• 实现了深度神经网络 (DNN),具有顺序前向浮动选择 (SFFS) 和截断的单数值分解 (TSVD),用于从多omics基因数据中进行自适应学习.
• 采用了五种机器学习分类器,包括后勤回归 (LR) 和随机森林 (RF),用于分类.

主要成果:

• 后勤回归 (LR) 实现了ER状态的准确率为94.51%,HER2状态的准确率为92.3%.
• 随机森林 (RF) 在ER状态方面实现了93.77%的准确性,在HER2状态方面达到93.4%.
• 在METABRIC RNA-seq内在亚型数据上,LR和RF都表现出高的诊断准确性.

结论:

• 与其他方法相比,LR和RF显著提高了所有亚型癌症检测的准确性.
• 混合-OmniSeq通过先进的多omics分析提供了对乳腺癌的潜在原因的全面了解.
• 深度学习方法为乳腺癌诊断和亚型化提供了更有效的策略.