癌症分子亚型分类的多omics驱动的计算框架

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 精确瘤学是一门精确的专业.

背景情况:

• 人工智能对于癌症分子亚型的分类,指导预后和向治疗至关重要.
• 目前的人工智能应用面临的挑战是由于非标准化数据集,多样化的omics数据和不一致的评估指标.
• 这些局限性阻碍了AI分类器的可比性,可重复性和通用性.

研究的目的:

• 在153个数据集中对35个AI分类器进行全面的比较分析.
• 调查不同omics模式和数据集配置对AI性能的影响.
• 确定最佳的人工智能模型和数据类型,以进行强大的癌症分子亚型分类.

主要方法:

• 在153个数据集中对35个AI分类器进行比较分析,涵盖8种OMIC模式和20种癌症类型.
• 基于宏观精度 (MACC) 和其他指标的分类器性能评估.
• 调查6个关于数据配置,omics模式和模型类型 (ML与DL) 的研究问题.

主要成果:

• RPPA,Gistic2-all-data-by-genes (CNV),HM27 (Meth) 和HiSeqV2-exon (Exon) 的配置显示出更好的性能.
• RNASeq,miRNA,CNV和Exon模式通常实现了比Meth,Array,SNP和RPPA更高的MACC.
• 传统的机器学习 (ML) 模型在小数据集上表现出色,而深度学习 (DL) 模型在大,高维数据集上表现更好.
• SVM实现了最高的平均MACC,NN,ResNet18,DEEPGENE和MLP也显示出强的结果.
• 在20种癌症中,DL分类器在12种癌症中表现优于ML分类器.

结论:

• 特定的数据配置和omics模式对于基于AI的癌症分类是优越的.
• 在ML和DL模型之间的选择取决于数据集的大小和维度.
• 研究结果为开发标准化,可复制和高效的AI管道提供了洞察力,用于精密瘤学.