相关实验视频
Updated: May 21, 2025
08:40
Methyl-binding DNA capture Sequencing for Patient Tissues
Published on: October 31, 2016
8.6K
从宫擦样本中探索卵巢癌的潜在甲基化标记物
Ju-Yin Lien1, Lu Ann Hii1, Po-Hsuan Su2
1Institute of Biomedical Informatics, National Yang Ming Chiao Tung University, Taipei, Taiwan.
Human genomics
|May 17, 2025
概括
这项研究开发了一个机器学习模型,使用DNA甲基化来自帕普检测宫切片来检测卵巢癌. 该模型对使用非侵入性样本类型的早期卵巢癌检测和诊断充满希望.
科学领域:
- 妇科 妇科 妇科 妇科
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 机器学习 机器学习
背景情况:
- 卵巢癌的死亡率很高,需要早期检测以改善存活率.
- 目前的诊断方法缺乏特异性和敏感性,并且经常具有侵入性.
- 帕帕尼科劳 (Pap) 测试显示,通过宫切片中的瘤DNA检测卵巢癌的潜力.
研究的目的:
- 使用DNA甲基化数据开发用于卵巢癌分层的机器学习模型.
- 为了分析卵巢癌生物标志物,在帕普检测中收集的宫擦样本.
- 建立一种用于早期检测卵巢癌的非侵入性方法.
主要方法:
- 采集了160个宫擦拭样本 (95个正常,37个良性,28个恶性).
- 通过使用Illumina Infinium MethylationEPIC BeadChip阵列生成DNA甲基化数据.
- 开发了一种两步机器学习模型,涉及主要组件分析 (PCA) 和梯度提升用于分类.
主要成果:
- 两步模型在测试数据上实现了0.88准确度和0.86F1得分.
- 差异甲基化分析确定了与嗅觉转导 (正常与瘤) 和免疫调节 (良性与恶性) 相关的潜在基因功能.
结论:
- 开发的两步模型证明了卵巢癌预测的潜力.
- 通过帕普检测收集的宫切片是查的可行的替代样本来源.
- 在宫样本中的DNA甲基化分析为卵巢癌诊断提供了一个有希望的非侵入性方法.
