机器学习驱动的仪表板用于使用蛋白质序列预测慢性髓性白血病

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
• 医疗保健中的机器学习

背景情况:

• 在东南亚,白血病的患病率正在上升,死亡率很高.
• 早期预测慢性髓性白血病 (CML) 对于改善患者的治疗结果至关重要.
• 现有的预测系统需要加强,以获得更高的准确性和早期检测.

研究的目的:

• 显著改善早期慢性髓性白血病 (CML) 预测系统.
• 利用关键基因的蛋白质序列数据来预测CML的结果.
• 为早期CML检测开发一个用户友好的工具.

主要方法:

• 使用来自改变基因 (BCL2,HSP90,PARP,RB) 的蛋白质序列数据.
• 使用的特征提取方法:二组合 (DPC),氨基酸组合 (AAC) 和伪氨基酸组合 (Pse-AAC).
• 应用机器学习模型 (SVM,XGBoost,RF,KNN,DT,LR) 在异常处理和特征选择验证 (PCA) 后.

主要成果:

• 在各种机器学习模型中实现了66%至94%的预测准确率.
• 使用精度,灵敏度,特异性和F1分数进行全面评估.
• 证明了蛋白质序列数据在CML预测中的有效性.

结论:

• 开发的机器学习方法为早期CML检测提供了实质性的增强.
• 一个用户友好的在线仪表板应用程序被建议用于实际的临床使用.
• 这种工具具有显著的潜力,可以帮助医疗保健专业人员在早期CML诊断和管理.