多组组特征选择用于识别肝细胞癌的生物标志物
Rency S Varghese1, Xinran Zhang1, Sarada Giridharan1
1Department of Oncology, Lombardi Comprehensive Cancer Center, Georgetown University Medical Center, Washington, DC 20057, USA.
Metabolites
|September 26, 2025
概括
这项研究确定了氨酸,异氨酸和SERPINA1等关键分子用于早期肝细胞癌 (HCC) 检测. 一种新的深度学习方法显示了在肝癌生物标志物发现中的多omics数据分析的前景.
科学领域:
- 发现生物标志物的发现.
- 肝癌研究研究 肝癌研究
- 多omics数据集成多omics数据集成
背景情况:
- 肝细胞癌 (HCC) 是全球癌症死亡的主要原因.
- 晚期诊断和不足的生物标志物阻碍了HCC的有效早期检测和治疗.
- 新型生物标志物对于改善患者预后和生存率至关重要.
研究的目的:
- 用血清样本识别一组多omics特征,区分HCC与肝硬化.
- 评估和比较各种特征选择方法用于多omics数据集成.
- 开发和评估一种新的深度学习方法来发现HCC生物标志物.
主要方法:
- 使用非向和向质谱测试,从HCC和肝硬化患者的血清样本中生成多omics数据.
- 用递归特征选择与基于变压器的深度学习模型相结合,用于特征识别.
- 对不同的特征选择技术进行了性能评估,以确定HCC特定的标记物.
主要成果:
- 确定了包括白素,异黄素和SERPINA1在内的关键分子与肝癌有显著关联.
- 塞尔皮纳1与LXR/RXR激活和急性反应信号通路有关.
- 新的递归特征选择和基于变压器的深度学习方法超过了其他顺序深度学习方法.
结论:
- 该研究强调了将多omics数据与先进的深度学习模型集成在一起的潜力,以在HCC中进行强大的生物标志物发现.
- 为特征选择调整深度学习模型至关重要,以减轻在有限的样本大小下过拟合风险.
- 建议在更大,独立的队列中进一步验证发现的多组体特征,以进行可靠的HCC生物标志物识别.
