使用一些机器学习的指标把HCC病人分成2类逆向收费读文献2019-21)

系列目录

本次要分享的文章发表于 March 2018,题目是:Deep Learning–Based Multi-Omics Integration Robustly Predicts Survival in Liver Cancer

癌症具有普遍的异质性,HCC也不例外,不同的组学数据不同计算方法可以把HCC稳定的聚为2~6类,有一个研究整合了256个HCC病人的mRNA, DNA methylation and miRNA 数据后聚集为5类。

3种数据的整合流程

作者使用的就是TCGA HCC cohort (360个病人), 这里选取了3种数据,mRNA, DNA methylation and miRNA 首先走deep Learning流程 (就是简单的keras)

值得一提的是,这里的methylation数据,是把基因的TSS前面1.5kb的探针取平均值后算作是基因的甲基化水平。

本文的deep Learning流程输入数据的 15,629 genes from RNA-seq, 365 miRNAs from miRNAseq, and 19,883 genes from DNA methylation data

走完deep Learning流程,最后可以得到 two survival risk subtypes

示意图如下:

很清晰的分成2类

S1: aggressive (higher-risk survival) subtype; S2: moderate (lower-risk survival) subtype.

差异分析可以拿到每一类自己特异性基因集,可以进行GO/KEGG数据库的功能注释,以及PPI网络图。

实际上,癌症异质性那么多,使用一些机器学习的指标把病人分成2类有什么用呢?

支持向量机的表现

首先看训练集合测试集的表现

再看看作者挑选的另外5个数据集的表现:

生存分析

发现作者使用深度学习算法得到的分类,在其它公共数据库也可以非常显著的区分生存的好坏。

同样的分析策略很容易应用到其它癌症

比如发表于 Front Genet. 2018; Deep Learning-Based Multi-Omics Data Integration Reveals Two Prognostic Subtypes in High-Risk Neuroblastoma

总结一下:一顿操作猛如虎,虚有其表,花里胡哨~

1

南京场

10.12-10.14

2

南宁场

10.26-10.28

课程内容

1

生信R语言入门

2

GEO数据库挖掘

5

生信-Linux基础

6

转录组课题设计与流程分析

(0)

相关推荐