view in publisher's site

A machine learning approach identified a diagnostic model for pancreatic cancer through using circulating microRNA signatures

Late diagnosis of pancreatic cancer (PC) due to the limited effectiveness of modern testing approaches, causes many patients to miss the chance of surgery and consequently leads to a high mortality rate. Pivotal improvements in circulating microRNA expression levels in PC patients make it possible to diagnose and treat patients at earlier stages. A list of circulating miRNAs was identified in this study using bioinformatics methods in association with pancreatic cancer through analyzing four GEO microarray datasets. The value of top miRNAs was then assessed via using a machine learning method. Taking the advantage of a combinatorial approach consisting of Particle Swarm Optimization (PSO) + Artificial Neural Network (ANN) and Neighborhood Component Analysis (NCA) iterations on a collection of top differentially expressed circulating miRNAs in PC patients, facilitated ranking them by significance. MiRNA’s functional analysis in the final index was performed by predicting target genes and constructing PPI networks. Remarkably, the final model consist of miR-663a, miR-1469, miR-92a-2-5p, miR-125b-1-3p and miR-532–5p showed great diagnostic results on investigated cases and the validation set (Accuracy: 0.93, Sensitivity: 0.93, and Specificity: 0.92). Kaplan-Meier survival assessments of the top-ranked miRNAs revealed that three miRNAs, hsa-miR-1469, hsa-miR-663a and hsa-miR-532–5p, had meaningful associations with the prognosis of patients with pancreatic cancer. This miRNA index may serve as a non-invasive and potential PC diagnostic model, although experimental testing is needed.

یک رویکرد یادگیری ماشینی یک مدل تشخیصی برای سرطان لوزالمعده را از طریق استفاده از امضاهای میکروRNA در گردش شناسایی کرد.

تشخیص دیر هنگام سرطان لوزالمعده (PC)به دلیل اثربخشی محدود رویکردهای تست مدرن، باعث می‌شود که بسیاری از بیماران شانس جراحی را از دست بدهند و در نتیجه منجر به میزان بالای مرگ و میر شوند. پیشرفت‌های محوری در سطح بیان ریز RNA در گردش در بیماران PC، تشخیص و درمان بیماران را در مراحل اولیه ممکن می‌سازد. فهرستی از miRNA های در حال گردش در این مطالعه با استفاده از روش‌های بیوانفورماتیک در ارتباط با سرطان پانکراس از طریق تجزیه و تحلیل چهار مجموعه داده ریزآرایه GEO شناسایی شد. سپس مقدار miRNA های بالا با استفاده از روش یادگیری ماشین ارزیابی شد. با استفاده از یک رویکرد ترکیبی شامل بهینه‌سازی ازدحام ذرات (PSO)+ شبکه عصبی مصنوعی (ANN)و آنالیز مولفه‌های همسایه (NCA)در مجموعه‌ای از تکرارهای miRNA های در گردش با تفاوت بالا در بیماران PC، رتبه‌بندی آن‌ها با اهمیت تسهیل شد. تحلیل عملکردی MiRNA در شاخص نهایی با پیش‌بینی ژن‌های هدف و ساخت شبکه‌های PPI انجام شد. به طور قابل‌توجهی، مدل نهایی شامل miR - ۶۶۳ a، miR - ۱۴۶۹، miR - ۹۲ a - ۲ - ۵ p، miR - ۱۲۵ b - ۱ - ۳ p و miR - ۵۳۲ - ۵ p نتایج تشخیصی بزرگی را بر روی موارد بررسی شده و مجموعه اعتبار سنجی نشان دادند (دقت: ۰.۹۳، حساسیت: ۰.۹۳، و ویژگی: ۰.۹۲). ارزیابی بقای کاپلان - میر از miRNA های رتبه‌بندی شده بالا نشان داد که سه miRNA، hsa - miR - ۱۴۶۹، hsa - miR - ۶۶۳ a و hsa - miR - ۵۳۲ - ۵ p، ارتباط معناداری با پیش‌آگهی بیماران مبتلا به سرطان پانکراس دارند. این شاخص miRNA ممکن است به عنوان یک مدل تشخیصی غیر تهاجمی و بالقوه PC عمل کند، اگر چه آزمایش تجربی مورد نیاز است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Endocrinology, Diabetes and Metabolism
  • ترجمه مقاله Endocrinology, Diabetes and Metabolism
  • مقاله درون‌ریزشناسی، دیابت و متابولیسم
  • ترجمه مقاله درون‌ریزشناسی، دیابت و متابولیسم
  • مقاله Endocrinology
  • ترجمه مقاله Endocrinology
  • مقاله درون‌ریزشناسی
  • ترجمه مقاله درون‌ریزشناسی
  • مقاله Hepatology
  • ترجمه مقاله Hepatology
  • مقاله کبدشناسی
  • ترجمه مقاله کبدشناسی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.