SRPS:生存强化转移学习,用于多中心蛋白质组亚型和生物标志物发现
Linhai Xie1,2, Pei Jiang1,2, Cheng Chang1
1State Key Laboratory of Medical Proteomics, Beijing Proteome Research Center, National Center for Protein Sciences (Beijing), Beijing Institute of Lifeomics, Beijing 102206, China.
Genomics, proteomics & bioinformatics
|June 10, 2025
概括
一种名为Survival Reinforced Patient Stratification (SRPS) 的新算法改善了精准医学中的分子亚型. 它识别了PPIC等关键蛋白质,有助于发现新的癌症驱动因素,以改善患者分层.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 精准医学是一门精准的医学.
背景情况:
- 在蛋白质学驱动的精密医学 (PDPM) 中,基于奥米克的分子亚型化至关重要.
- 由于生物异质性和技术变异性,在多样化的队列中保持亚型的一致性是具有挑战性的.
- 强大的患者分层需要算法来保存分子特征和预后关联.
研究的目的:
- 开发一种新的亚型算法,即生存强化患者分层 (SRPS),用于跨队列调整分子亚型.
- 为了确保保留预后意义和亚型的独特分子特征.
- 在PDPM中展示可解释的机器学习用于生物发现.
主要方法:
- 拟议的生存强化患者分层 (SRPS) 算法用于交叉队列亚型.
- 在模拟和现实数据集上对SRPS进行基准测试.
- 利用亚型显著性得分来识别分层的关键蛋白质.
主要成果:
- 与现有方法相比,SRPS显示分类准确度增加了12%.
- 该算法在数据集之间实现了卓越的预后歧视.
- 鉴定了Peptidylprolyl Isomerase C (PPIC) 作为分层肝细胞癌 (HCC) 患者预后不佳的顶级蛋白质.
- 经过实验验证的PPIC作为HCC中的促癌蛋白.
结论:
- SRPS有效地适应不同队列的分子亚型,同时保持预后和分子完整性.
- 该算法促进了可解释的机器学习引导的生物发现.
- PPIC是HCC的潜在治疗标和生物标志物,强调了SRPS在PDPM研究中的实用性.
更多相关视频
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
7.4K
10:37Deep Proteome Profiling by Isobaric Labeling, Extensive Liquid Chromatography, Mass Spectrometry, and Software-assisted Quantification
Published on: November 15, 2017
11.9K
