جستجوی مقالات مرتبط با کلیدواژه « پلاکت های آموزش دیده توموری » در نشریات گروه « بیوتکنولوژی و ژنتیک گیاهی »
تکرار جستجوی کلیدواژه «پلاکت های آموزش دیده توموری» در نشریات گروه «کشاورزی»-
به این دلیل که بیوپسی مایع نسبت به بیوپسی بافتی ایمن تر و کم تهاجمی تر است، در سال های گذشته بررسی زیست نشانگر های موجود در آن برای پیش آگهی و تشخیص زود هنگام سرطان حایز اهمیت شده است. بررسی تغییر پروفایل بیانی پلاکت های آموزش دیده توموری موجود در بیوپسی مایع می تواند به عنوان یکی از زیست نشانگرها مورد استفاده قرار گیرد. استفاده از مدل های یادگیری ماشین دسته بندی با توجه به فضای ویژگی بر گرفته از داده های بیانی این پلاکت ها، توانایی پیش آگهی و تشخیص زود هنگام سرطان را به ما داده است. در این پژوهش میزان صحت و خطای هفت مدل دسته بندی در دو حالت دو دسته برای تشخیص نمونه های سالم و سرطانی و چند دسته برای تشخیص نمونه های سالم و انواع سرطان ها از یکدیگر مورد ارزیابی قرار گرفتند. این مدل ها روی پروفایل بیانی 2000 ژن پلاکت های آموزش دیده توموری مربوط به بیمارانی با سرطان های سینه، کبد، روده، مغز، پانکراس و ریه و همینطور پروفایل بیانی این ژن ها در 55 فرد سالم بررسی شدند. داده های مورد استفاده سری GSE68086 هستند که از پایگاه داده GEO دانلود شدند. همچنین روی این ژن ها با روش preranked GSEA تجزیه و تحلیل غنی سازی مسیر صورت گرفت. نتایج نشان داد مدل ماشین بردارهای پشتیبان با کرنل خطی و غیر خطی از بین مدل های دو دسته با میانگین خطای 05/0 و مدل ماشین بردارهای پشتیبان خطی از بین مدل های چند دسته با میانگین خطای 33/0 نرخ خطای کمتری دارند. به طور کلی نتایج حاصل دسته بندی پروفایل بیانی پلاکت های آموزش دیده توموری و تجزیه و تحلیل غنی سازی مسیرنشان دهنده این است که پروفایل بیانی پلاکت های آموزش دیده توموری را می توان به عنوان کاندید نشانگر زیستی در نظر گرفت.
کلید واژگان: پلاکت های آموزش دیده توموری, پیش آگهی و تشخیص سرطان, دسته بندی تغییرهای پروفایل بیانی, مدل های یادگیری ماشین, نشانگر زیستی}Since liquid biopsy is less invasive than tissue biopsy, studies on liquid biopsy biomarkers for the early detection of cancer and diagnosis are taken into consideration. Expression profiles of tumor-educated platelets (TEP) in liquid biopsy can be used as one of the biomarkers. The use of classification machine learning models, according to the features space derived from the expression data of TEPs, has given us the ability to predict cancer. In this study, we evaluate different types of classification models namely SVM, LDA, logistic regression, boosting, classification tree, and random forest, on the expression profile of TEPs in 230 patients with breast, liver, colorectal, brain, pancreatic, and lung cancers, as well as the expression profile of these genes in 55 healthy individuals. These models were examined on the expression profile of 2000 high variance selected genes. Also, pathway enrichment analysis was performed on these genes by the GSEA preranked method. The results showed that linear SVM and polynomial SVM models have lower error rates than two-class models and linear SVM models have lower error rates than multi-class models. In general, the results of TEP expression profile classification and pathway enrichment analysis indicate that the expression profile of TEPs can be considered as candidate biomarkers.
Keywords: Tumor educated platelets, cancer diagnosis, early detection, expression profile classification, machine learning models, biomarkers}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.