基于深度学习算法的多组学数据集成用于结肠腺癌患者的生存预测( Survival prediction in patients with colon adenocarcinoma via multi-omics data integration using a deep learning algorithm )

J Lv J Wang X Shang F Liu S Guo

本研究提出了一种基于多组学集成的深度学习(DL)算法来预测结肠腺癌(COAD)患者的生存。基于COAD患者的肿瘤基因组图谱(TCGA)数据，使用自动编码器构建了用于DL实现的生存敏感模型。将autoencoder框架与PCA、NMF、t-SNE和单变量Cox-PH模型进行比较，以识别生存相关特征。使用三个独立的确认队列来验证推断的生存危险组的预后稳健性。进行差异表达分析、Pearson相关分析、miRNA靶基因网络构建和功能富集分析。采用基于自动编码器的模型（log-rank p值=5.51e-07)在TCGA组中识别出两个生存差异显著的危险组。与PCA、NMF、t-SNE和基于C指数、log-rank p值和Brier评分的单变量Cox-PH模型相比，autoencoder框架显示出更好的性能。在三个独立的验证集上成功地验证了分类模型的鲁棒性。生存危险组间差异表达基因1271个，差异表达miRNAs 10个，高甲基化基因12个。其中miR-133b及其靶基因(GNB4、PTPRZ1、RUNX1T1、EPHA7、GPM6A、BICC1和ADAMTS5)构建了一个网络。这些基因在ECM受体相互作用、粘着斑、PI3K-Akt信号通路和糖代谢相关通路中显著富集。利用DL算法通过多组学数据集成流水线获得的风险子组具有良好的鲁棒性。miR-133b及其靶基因可能是潜在的诊断标志物。这些结果将有助于阐明COAD的可能发病机制。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate