血清-MiR-CanPred:深度学习框架用于泛癌分类和miRNA向药物发现
Naisarg Patel1, Ankita Lawarde2,3, Suhas Manikant Surisetti1
1Integrative Multiomics Lab, School of Bio Sciences and Technology, Vellore Institute of Technology, Vellore, India.
RNA biology
|October 31, 2025
概括
一个新的深度学习模型Serum-MiR-CanPred,使用血清微RNA (miRNAs) 进行早期的,非侵入性的泛癌诊断. 它识别了像hsa-miR-5100这样的关键生物标志物,并显示了精确瘤学药物发现的潜力.
科学领域:
- 生物标志物 生物标志物
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 早期发现癌症至关重要,但目前的方法是侵入性的,往往诊断迟到了.
- 血清中循环的microRNAs (miRNAs) 显示为癌症的稳定,非侵入性生物标志物.
- 毫米RNA的泛癌诊断和治疗应用在很大程度上仍未被探索.
研究的目的:
- 开发一种深度学习框架,用于使用血清miRNA表达的非侵入性早期泛癌诊断.
- 为广泛的癌症检测确定一套共识的miRNA生物标志物.
- 通过分子建模探索已识别的miRNAs的治疗潜力.
主要方法:
- 一个多层感知子 (MLP) 深度学习模型,Serum-MiR-CanPred,在来自12种癌症类型的20,000多个样本的血清miRNA表达数据上进行了训练.
- 沙普利添加式解释 (SHAP) 用于模型解释性和生物标志物识别.
- 用分子对接和动力学模拟来研究与关键miRNA的潜在药物相互作用.
主要成果:
- 血清MiR-CanPred使用88个共识miRNAs实现了胰癌分类的高精度 (96%) 和AUC (96.87%).
- 外部数据集验证证实了该模型的概括性和临床潜力.
- hsa-miR-5100被确定为一个关键的生物标志物,其前体 (pre-mir-5100) 显示与潜在的配体 (AC1MMYR2) 高亲和度结合.
结论:
- 血清-MiR-CanPred提供了一个强大的,可解释的AI驱动的方法,用于早期的,非侵入性的泛癌诊断.
- 该研究强调了特定miRNA作为诊断生物标志物和治疗点的潜力.
- 人工智能和分子建模的整合推动了基于miRNA的精密瘤学和药物发现.
关键词:
在循环中的miRNA.这就是 SHAP SHAP 的意思.人工智能的人工智能是人工智能.生物标志物发现发现深度学习是一种深度学习.药物重用是为了改变药物的用途.分子对接的分子对接.瘤学 在瘤学方面.胰腺癌预测预测更多相关视频
03:08Using Human Differentially Expressed Gene Lists to Perform Downstream Pathway Enrichment Analysis and Target Prioritization
Published on: October 3, 2025
888
09:06MicroRNA Amplification and Recognition through Locked-nucleic-acid In situ Hybridization as A Novel Detection and Quantification Method
Published on: October 7, 2025
333
