Machine Learning Approach Identifies miRNA Biomarkers for Post Surgical Patient Stratification in Prostate Cancer
Notice bibliographique
Résumé
INTRODUCTION: Effective management of post-prostate cancer is hindered by the limitations of current prognostic tools in accurately assessing disease aggressiveness. Radical prostatectomy remains a standard treatment, but some patients develop biochemical recurrence and metastasis, underscoring the need for improved postsurgical prognostic tools. METHODS: This investigation involved sequencing data derived from 38 matched prostate cancer patients who had undergone RP. Initial statistical analysis helped identify the most significant miRNAs, which were further subjected to unsupervised clustering and stepwise selection. A linear discriminant analysis (LDA) model was then trained and tested using a miRNA combination method to pinpoint biomarkers predictive of metastasis. RESULTS: Out of 1123 miRNAs initially identified, 519 were selected as high-confidence candidates. Parametric analysis of these miRNAs discerned 41 that effectively distinguished between patients who developed metastasis postoperatively and those who did not. Utilizing LDA, this study harnessed 41 miRNAs in a combinatorial approach, identifying eight key miRNAs (hsa-miR-106b-3p, hsa-miR-769-5p, hsa-miR-182-5p, hsa-miR-194-5p, hsa-miR-345-5p, hsa-miR-183-3p, hsa-miR-200a-3p, hsa-miR-301a-3p) that collectively stratified the metastatic group from control with up to 91% accuracy. This model's effectiveness was supported by a receiver operating characteristic analysis, demonstrating an area under the curve of 80% or higher for the best miRNA combinations. Notably, the performance of this eight-miRNA panel was consistent with CAPRA-based risk stratification. CONCLUSION: Our study presents a miRNA-based machine learning model that distinguishes metastatic from non-metastatic prostate cancer patients following surgery. The panel's alignment with CAPRA underscores its clinical relevance and highlights its potential for integration into future clinical frameworks.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».