在妇科癌症中识别生物标志物:用于代谢学的机器学习方法

科学领域:

• 代谢学 代谢学 代谢学
• 生物标志物发现发现
• 机器学习在瘤学中

背景情况:

• 妇科癌症 (GCs) 构成了严重的健康负担.
• 早期和准确检测GCs仍然是一个临床挑战.
• 代谢剖析为识别新生物标志物提供了一个有前途的途径.

研究的目的:

• 确定与妇科癌症 (GC) 相关的临床代谢标记物.
• 为了比较机器学习 (ML) 算法的有效性与直角局部最小方程差异分析 (OPLS-DA) 进行GC检测.
• 确定特定的代谢候选物,表明GC亚型.

主要方法:

• 对42名GC患者和57名健康对照进行了非向性血代谢分析.
• 在分类中使用了直角部分最小方程差异分析 (OPLS-DA) 和八种ML算法.
• 随机森林 (RF) 模型表现出卓越的性能,在GC与对照分类中达到0.9999的AUC.

主要成果:

• 射频模型在将GC与对照区分时取得了高精度 (AUC=0.9999).
• 一个多分类RF模型区分了四个组 (GC和控制) 的AUC为0.8351.1.
• 小组分析显示了宫癌 (AUC=0.9838),子宫内膜癌 (AUC=0.7500) 和卵巢癌 (AUC=0.7321) 的强表现.
• 两种代谢物proline betaine和lysophosphatidyl ethanolamine (18:0/0:0) 被确定为潜在的GC生物标志物.

结论:

• 机器学习算法,特别是随机森林,在分类GC方面表现优于OPLS-DA.
• 林贝他因和lysophosphatidyl ethanolamine是可用于GC检测的有希望的血代谢物候选者.
• 与ML结合的新陈代谢分析具有促进GC诊断的巨大潜力.