Genotype-Phenotype Integration through Machine Learning and Personalized Gene Regulatory Networks for Cancer Metastasis Prediction
Created by
Haebom
저자
Jiwei Fu, Chunyu Yang, Charalampos P. Triantafyllidis
개요
본 논문은 전이 예측 모델 개발을 위해 고전 머신러닝과 딥러닝을 융합한 연구를 제시한다. 암 세포주 데이터와 전사 인자-표적 유전자 정보를 통합하여 9개의 전이 관련 조절 인자에 초점을 맞추었다. Kruskal-Wallis 검정을 통해 차등 발현 유전자를 선택한 후, ElasticNet, Random Forest, XGBoost 모델을 벤치마킹하고, PANDA와 LIONESS를 사용하여 환자 맞춤형 유전자 조절 네트워크를 구축했다. 마지막으로 GATv2를 통해 위상적, 발현 기반 표현을 학습하여 비선형 조절 의존성을 파악했다.
시사점, 한계점
•
XGBoost가 가장 높은 AUROC (0.7051)를 달성했다.
•
GNN은 환자 수준에서 비선형 조절 의존성을 포착했다.
•
전통적인 머신러닝과 그래프 기반 딥러닝의 결합을 통해 확장 가능하고 해석 가능한 전이 위험 예측 프레임워크를 제시했다.
•
연구는 특정 암 종류에 한정되지 않고 여러 암 종류에 적용되었다.
•
데이터의 한계로 인해, 모델의 일반화 능력에 대한 추가적인 검증이 필요하다.
•
환자 맞춤형 네트워크 구축에 사용된 알고리즘의 복잡성으로 인해 해석의 어려움이 있을 수 있다.
