分析NF-κB1与血液恶性病的细胞因子表达之间的关系:利用解释的人工智能和机器学习来获得小型数据集洞察力

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.

背景情况:

• 血液性恶性瘤涉及复杂的基因表达模式.
• 了解核因子kappa B (NF-κB) 1通路对于疾病机制至关重要.
• 有限的数据往往阻碍了罕见癌症中的生物标志物发现.

研究的目的:

• 分析NF-κB1与血液性恶性瘤患者骨髓细胞中相关细胞因子基因表达之间的关系.
• 在有限的数据集中应用机器学习 (ML) 和可解释的人工智能 (XAI) 来识别模式.
• 确定与NF-κB1活动相关的关键分子特征.

主要方法:

• 在骨髓单核细胞中对NF-κB1和细胞因子基因的表达分析.
• 应用统计分析,ML分类器 (k-NN,天真贝叶斯,随机森林,XGBoost) 和XAI (夏普利添加式扩展).
• 评估ML性能和确定可靠分类的最小样本大小.

主要成果:

• ML分类器成功地确定了区分疾病组的关键模式,优于传统方法.
• 规范化caspase-1计数一直被确定为与NF-κB1活性相关的最有影响力的特征.
• 为了在特定的血液性恶性瘤中可靠地分类ML,需要至少15-24个样本大小.

结论:

• 卡斯巴-1在血液性恶性瘤中的NF-κB1基因表达中起着关键作用.
• ML和XAI是有效的工具,用于从罕见的血液恶性瘤中有限的数据中获得洞察力.
• 在这些条件下,这种方法为生物标志物发现和精准医学提供了一个强大的战略.