解码祖先特异性遗传风险:可解释的深度特征选择揭示了前列腺癌SNP在不同人群中的差异

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 单核酸多态 (SNP) 已经显示出前列腺癌 (PCa) 诊断的潜力.
• 传统的统计和机器学习方法在高维SNP数据中的概括性和解释性方面扎.
• 这项研究解决了提高SNP在PCa中的诊断实用性和生物相关性的需求.

研究的目的:

• 开发一个可解释的深度学习框架,用于使用SNP增强PCa分类.
• 提高SNP标志物的预测性能和生物解释性.
• 为了澄清SNP在PCa中有争议的诊断作用.

主要方法:

• 一个深度的特征选择框架,集成启发式减少,代优化,渐变变差最小化和非线性交互建模.
• 深度神经网络 (DNN) 训练在梯度计算过程中消除特征.
• 代优化SNP子集以最大限度地提高分类AUC并最大限度地降低梯度变异.

主要成果:

• 与现有方法相比,在PLCO (0.747),BPC3 (0.751) 和MEC-AA (0.559) 数据集中实现了AUC得分的显著改善.
• 识别了跨队列的共识SNP标记 (345-437),其中关键的SNP (例如rs1447295) 对已知的PCa种族差异进行验证.
• 证明了该框架能够恢复人口相关变异,特别是代表性不足的群体.

结论:

• 可解释特征选择和深度学习的整合促进了基于SNP的PCa生物标志物翻译.
• 该框架提高了临床可行性,并澄清了SNP的诊断效用.
• 这种方法为瘤学中更精确和可解释的基因组诊断提供了途径.