优化图形神经网络-多层感知子融合分类器,用于在西方和亚洲人群中检测转移性前列腺癌

科学领域:

• 基因组学就是基因组学.
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.

背景情况:

• 前列腺癌 (PCa) 在西方和亚洲人群之间显示出不同的基因组资料,使通用预测模型复杂化.
• 开发一种临床适用的预测模型需要识别一组有限的关键基因.

研究的目的:

• 设计一个前列腺癌转移的预测模型,在各种人群中有效.
• 为了确定一组简洁的签名基因用于临床实施.

主要方法:

• 利用了来自中国和西方PCa队伍的大数据集 (1360 WGS/WES).
• 开发了一个图形神经网络 (P-NETwa) 和在集成基因组数据上训练的多层感知子 (MLP) 模型.
• 对模型进行了外部验证,并对基因组进行了优化.

主要成果:

• 在集成数据上,P-NETwa-MLP模型实现了高精度 (0.88) 和F1得分 (0.75).
• 确定了18个特征基因,包括AR,TP53,MUC16,MUC4和ASB12.
• 开发了一个用于实时预测和临床工作流集成的网络界面.

结论:

• P-NETwa-MLP模型为前列腺癌转移提供了一个强大的跨人群预测工具.
• 鉴定的特征基因和优化模型促进了临床实施和个性化治疗策略.