Clustering Multi-Omics Data in Gleason Scores $3+4$ and $4+3$ Reveals 3 Patterns
Notice bibliographique
Résumé
The Gleason Score (GS) is widely used to classify prostate cancer (Pca), with Gleason 7 (GS7) tumors typically being classified into Gleason$3+4$and Gleason$4+3$. However, this classification may overlook other molecular subtypes, limiting risk stratification and personalized treatment. Using multi-omics data analysis and unsupervised machine learning, this study investigates GS7 omics patterns. A total of 341 prostate cancer samples were clustered using five clustering techniques -$k-\text{Means}$, hierarchical clustering, Gaussian Mixture Model (GMM), DBSCAN, and Mean Shift Clustering, and cluster validity was determined using PCA visualization, dendrograms, and silhouettes. To further validate the biological relevance of the clusters, supervised classification models, including Random Forest and Support Vector Machine (SVM), were employed, achieving high classification accuracy (95.50% with Random Forest, 97.30% with SVM). GS7 tumors consistently showed three distinct subtypes, supporting the hypothesis of an unidentified molecular group. This finding challenges conventional classification paradigms and has significant implications for risk assessment and treatment strategies in prostate cancer. Future studies integrating larger patient cohorts and clinical validation are essential to establish the translational significance of this novel subtype.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».