一个新的统计特征选择框架,用于生物标志物发现和癌症分类,通过多组学整合
Moshira S Ghaleb1, Maryam N Al-Berry2, Hala M Ebied2
1Scientific Computing Department Faculty of Computer and Information Sciences, Ain Shams University, Cairo, Egypt. moshirasg@cis.asu.edu.eg.
BMC medical research methodology
|December 17, 2025
概括
一种新的方法,即协同歧视集群特征提取 (sDCFE),可以识别82种癌症生物标志物,以准确分类. 六种新型基因显示出精密瘤学工具的翻译潜力,支持早期诊断和治疗.
科学领域:
- 计算生物学是一种计算生物学.
- 癌症基因组学 癌症基因组学
- 发现生物标志物的发现.
背景情况:
- 早期癌症诊断可以改善预后,但受到高维的奥米克数据的挑战.
- 需要计算方法来提取稳定的生物标志物,以便可靠地跨类型和阶段对癌症进行分类.
研究的目的:
- 引入协同区分基于集群的特征提取 (sDCFE) 进行稳健和可解释的生物标志物选择.
- 评估sDCFE选择的生物标志物用于胰腺癌分类和肺状细胞癌 (LUSC) 阶段.
- 在精密瘤学中评估已识别的生物标志物的转化潜力.
主要方法:
- 通过扩展与MAD规范化和集群分离的费舍尔式方差分析来开发sDCFE.
- 与sDCFE与XGBoost进行比较,交叉82个基因用于功能丰富,生存分析和新性评估.
- 应用混合分类模型 (XGBoost,sDCFE,深度学习) 用于胰腺癌分类和使用多组数据进行LUSC分期.
主要成果:
- 鉴定了82个与癌症相关的途径 (细胞循环,免疫信号,DNA修复) 丰富的候选生物标志物.
- 将生物标志物分为既定,新兴和新型类别的分层;HFE2,LOC339674,SERINC2,SFTA3,SOX2OT和ACPP显示出有希望的结果.
- 在胰腺癌分类 (TCGA: 99.3%,PCAWG: 94%) 和LUSC分期 (88.5%与sDCFE排名特征) 中取得了高准确性.
结论:
- sDCFE提供了一种可靠和可解释的方法,用于稳定的生物标志物选择.
- 综合框架实现了跨类型和阶段的精确,生物依据的癌症分类.
- 已发现的新型生物标志物 (HFE2,LOC339674,SERINC2,SFTA3,SOX2OT,ACPP) 对精密瘤学具有转化潜力.
关键词:
癌症的阶段 癌症的阶段在LUSC中使用LUSC.机器学习是机器学习.甲基化 甲基化 甲基化多种组合的多种组合.胰腺癌是一种瘤.在RNA-seqqq.在SDCFE中,它是SDCFE.统计局 统计局 统计局 统计局在TCGA中,TCGA就是TCGA.更多相关视频
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
2.0K
07:41Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases
Published on: May 17, 2019
9.4K
