CancerSubminer:使用监督和无监督学习对DNA甲基化概况进行癌症亚型识别的综合框架.

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 人类癌症的异质性使预后和向治疗的发展变得复杂.
• 分子亚型化通过识别同质癌症子集,为个性化医疗提供了一条道路.
• 现有的分类方法在概括性,新型子类型发现和与已建立的分类一致性方面存在局限性.

研究的目的:

• 开发CancerSubminer,一种混合框架,集成监督和无监督学习,用于强大的癌症分子亚型化.
• 通过确定临床相关的癌症亚型来改善预后预测和治疗策略的开发.
• 在多数据集癌症亚型化中解决批量效应和域转移的挑战.

主要方法:

• 开发了CancerSubminer,这是一个混合框架,将监督分类与无监督集群结合在一起.
• 采用对抗性培训来纠正批量效应,并学习跨数据集的域不变特征.
• 利用半监督微调进行亚型对齐和新型亚型候选人的识别.
• 使用TCGA和GEO数据集对五种癌症类型 (乳腺,膀,大脑,脏,甲状腺) 的甲基化数据进行了验证.

主要成果:

• 癌症矿工超越了现有的最先进的分类和集群方法.
• 在所有评估的癌症类型中,使用Kaplan-Meier生存分析证明了显著的预后分离 (p < 0.05).
• 在甲状腺癌中确定了显著的预后亚型,而预定义的亚型缺乏预后价值.

结论:

• 癌症Subminer有效地识别出不同的预后癌症亚型,改善预后分层.
• 该框架成功地减轻了批量效应,并提高了跨异质数据集的概括性.
• CancerSubminer为推进个性化癌症治疗和早期诊断提供了一个有价值的工具.