使用多組學數據透過深度學習模型和相似性網路融合的方法進行前列腺癌復發的生物標記物辨識

Taipei Medical University Institutional Repository > 醫學院 > 醫學科學研究所 > 博碩士論文 > Item 987654321/61841

請使用永久網址來引用或連結此文件: http://libir.tmu.edu.tw/handle/987654321/61841

題名:	使用多組學數據透過深度學習模型和相似性網路融合的方法進行前列腺癌復發的生物標記物辨識 Use Of Multiomics Data With A Deep Learning Model To Identify Prostate Cancer Recurrent-Related Biomarkers
作者:	王子豪 WANG, TZU-HAO
貢獻者:	醫學資訊研究所碩士班張資昊
關鍵詞:	深度學習 Multiomics Data
日期:	2022-01-11
上傳時間:	2022-08-12 11:20:43 (UTC+8)
摘要:	本研究主要是辨識前列腺癌患者預後復發的相關潛在多組學生物標記物。利用深度學習演算法中的自編碼器(autoencoder)模型和相似性網路融合 (similarity network fusion)，我們分析了來自癌症基因體圖譜計畫(The Cancer Genome Portal) 中的 494 名前列腺癌患者，其中有60名復發患者。接著，我們交叉比對兩個模型所識別出的生物標記物，進一步整合建構出多組學的檢測組套。最後，我們總共收集了六個交叉的多組學生物標誌物：TELO2、ZMYND19、miR-143、miR-378a、cg00687383 (MED4) 和 cg02318866 (JMJD6; METTL23)。根據多組學的檢測組套，我們將患者分為高復發和低復發風險組，兩者所繪出的Kaplan-Meier曲線之間的差異達到p值 = 5.33 × 10−9，優於之前的研究（p值 = 5 × 10−7）。此外，將被選中的多組學生物標誌物搭配上醫學臨床資訊：Gleason Score、年齡和癌症分期，我們建構了一組高表現的預測模型，其C-index = 0.713、p-value = 2.97 × 10−15、AUC = 0.789。由此可知，被選中的多組學生物標記物所生成的風險評分 (Risk Score)，可作為預測攝護腺癌復發的有效指標。這項研究有助於我們了解攝護腺癌復發的病因和機轉路徑，並且，在攝護腺移除手術治療後，這些具有預測復發風險的潛在生物標記物，能對於患者和醫生在術後的共同臨床決策上給予幫助。 This study is to identify potential multiomics biomarkers for the early detection of the prognostic recurrence of Prostate cancer patients. A total of 494 prostate adenocarcinoma (PRAD) patients (60-recurrent included) from the Cancer Genome Atlas (TCGA) portal were analyzed using the autoencoder model and similarity network fusion. Then, multiomics panels were constructed according to the intersected omics biomarkers identified from the two models. Six intersected omics biomarkers, TELO2, ZMYND19, miR-143, miR-378a, cg00687383 (MED4), and cg02318866 (JMJD6; METTL23), were collected for multiomics panel construction. The difference between the Kaplan–Meier curves of high and low recurrence-risk groups generated from the multiomics panel achieved p-value = 5.33 × 10−9, which is better than the former study (p-value = 5 × 10−7). Additionally, when evaluating the selected multiomics biomarkers with clinical information (Gleason score, age, and cancer stage), a high-performance prediction model was generated with C-index = 0.713, p-value = 2.97 × 10−15, and AUC = 0.789. As a result, the risk score generated from the selected multiomics biomarkers worked as an effective indicator for the prediction of PRAD recurrence. This study helps us to understand the etiology and pathways of PRAD and further benefits both patients and physicians with potential prognostic biomarkers when making clinical decisions after surgical treatment.
描述:	碩士指導教授:張資昊委員:吳立青委員:蘇家玉委員:張資昊
資料類型:	thesis
顯示於類別:	[醫學科學研究所] 博碩士論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	181	檢視/開啟

檢視Licence

在TMUIR中所有的資料項目都受到原著作權保護.

TAIR相關文章

資料載入中.....