Key points are not available for this paper at this time.
مرض غير متجانس مثل السرطان يتم تنشيطه من خلال عدة مسارات واهتزازات مختلفة. اعتمادًا على المسار (المسارات) المفعل، يختلف بقاء المرضى بشكل ملحوظ ويظهر فعالية مختلفة تجاه أدوية متنوعة. لذلك، يعد اكتشاف الأنواع الفرعية للسرطان باستخدام بيانات مستوى الجينوم مشكلة بحثية هامة. يعد اكتشاف الأنواع الفرعية غالبًا مشكلة معقدة، وفي معظم الحالات، يحتاج إلى دمج بيانات متعددة الأوميكس لتحقيق تصنيف دقيق. تم اقتراح أساليب دمج وتصنيف بيانات مختلفة على مر السنين، مثل دمج القائم على النواة، تحليل المصفوفات، ومشفرات التعلم العميق. في هذه الورقة، قمنا بمقارنة أداء مشفرات التعلم العميق المختلفة لاكتشاف الأنواع الفرعية من السرطان. قمنا بإجراء اكتشاف الأنواع الفرعية للسرطان على أربعة أنواع مختلفة من السرطان من مجموعات بيانات مشروع الجينوم السرطاني (TCGA) باستخدام أربعة تنفيذات لمشفرات التعلم العميق. كما تنبأنا بالعدد الأمثل من الأنواع الفرعية في نوع سرطان معين باستخدام درجة الشكل ووجدنا أن الأنواع الفرعية المكتشفة تظهر اختلافات كبيرة في ملفات بقاء المرضى. علاوة على ذلك، قمنا بمقارنة تأثير اختيار الميزات وقياسات الشبه على اكتشاف الأنواع الفرعية. من أجل مزيد من التقييم، استخدمنا مجموعة بيانات الورم الدبقي المتعدد الأشكال (GBM) وحددنا الجينات المعبر عنها بشكل مختلف في كل من الأنواع الفرعية. النتائج التي تم الحصول عليها تتماشى مع دراسات جينومية أخرى ويمكن corroborated مع المسارات المعنية والوظائف البيولوجية. وبالتالي، يظهر أن النتائج من المشفرات، التي تم الحصول عليها من خلال تفاعل أنواع بيانات السرطان المختلفة، يمكن استخدامها للتنبؤ وتصنيف مجموعات المرضى وملفات البقاء.
درس فرانكو وآخرون (Thu,) هذا السؤال.