基于深度学习的计算方法,用于预测转移性乳腺癌诊断中的ncRNAs疾病关联
Saleem Ahmad1, Imran Zafar2, Shaista Shafiq3
1Department of Cell Biology and Physiology, University of Kansas Medical Center, Kansas City, KS, 66160, USA.
BMC cancer
|May 6, 2025
概括
一个新的深度强化学习模型通过分析非编码RNA (ncRNAs) 来准确地分类转移性乳腺癌. 这种计算方法有助于精确瘤学,通过预测患者的生存率和确定治疗点.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 在瘤学瘤学.
背景情况:
- 非编码RNAs (ncRNAs) 在乳腺癌进展中至关重要.
- 精确分类的转移性乳腺癌 (MBC) 需要先进的计算方法.
- 了解ncRNA与疾病的关联对于精确瘤学至关重要.
研究的目的:
- 开发一个深度强化学习 (DRL) 框架,用于预测MBC中的ncRNA-疾病关联.
- 使用ncRNA数据提高乳腺癌分类的准确性和效率.
- 确定ncRNA关键特征及其在MBC中的预后意义.
主要方法:
- 一个使用多维描述系统 (ncRNADS) 的DRL框架,具有550个基于序列和1150个目标基因特征.
- 功能选择和优化将尺寸性降低了42.5%.
- 使用使用TCGA数据的SHAP分析,PCA,t-SNE聚类和生存分析.
主要成果:
- DRL模型实现了高性能:96.20%的准确性,96.48%的精度,96.10%的回忆率和96.29%的F1得分.
- 外部验证证实乳腺癌亚型的特异性 (87-96.5%准确度) 和与其他疾病的低交叉反应性.
- 关键预测因素包括序列动机 (例如"UUG") 和结构自由能量;MALAT1,HOTAIR,NEAT1和GAS5显示出预后意义.
结论:
- 基于DRL的框架为MBC中ncRNA疾病关联预测提供了一个强大的和有效的方法.
- 这种方法支持精确瘤学,通过使患者分层,生存预测和治疗目标识别成为可能.
- 该模型的可扩展性和快速训练使其适用于癌症研究的大规模应用.
