Αφηρημένο

Τα microRNAs (miRNAs) έχει αποδειχθεί ότι είναι πολλά υποσχόμενη βιοδεικτών στην πρόβλεψη πρόγνωση του καρκίνου. Ωστόσο, ακατάλληλη ή κακώς βελτιστοποιημένη επεξεργασία και μοντελοποίηση των δεδομένων έκφρασης των miRNAs μπορεί να επηρεάσει αρνητικά την απόδοση πρόβλεψης. Εδώ, προτείνουμε μια ολιστική λύση για την επιλογή βιοδείκτη miRNA και το μοντέλο πρόβλεψης του κτιρίου. Το έργο αυτό εισάγει την χρήση ενός νευρωνικού δικτύου καταρράκτη, μια κλιμάκωση σύνταγμα των μικρών μονάδων τεχνητού νευρωνικού δικτύου, για την αξιολόγηση της έκφρασης των miRNAs και την έκβαση των ασθενών. Ένα miRNA μικροσυστοιχιών σύνολο δεδομένων του καρκινώματος του ρινοφάρυγγα ανακτήθηκε από γονιδιακής έκφρασης Omnibus για να τονίσει τη μεθοδολογία. Τα αποτελέσματα έδειξαν μια μη γραμμική σχέση μεταξύ της έκφρασης των miRNAs και τον κίνδυνο θανάτου του ασθενούς, πράγμα που σημαίνει ότι η άμεση σύγκριση των τιμών έκφρασης είναι ακατάλληλη. Ωστόσο, αυτή η μέθοδος εκτελεί μετασχηματισμό των αξιών της έκφρασης των miRNAs σε βαθμολογία miRNA, η οποία μετρά γραμμικά κίνδυνο θανάτου. Spearman συσχετισμός υπολογίστηκε μεταξύ των βαθμολογιών των miRNAs και την κατάσταση επιβίωσης για κάθε miRNA. Τέλος, μια υπογραφή εννέα miRNA βελτιστοποιήθηκε για να προβλέψει τον κίνδυνο θανάτου μετά από καρκίνωμα του ρινοφάρυγγα με τη δημιουργία ενός νευρωνικού καταρράκτη δίκτυο που αποτελείται από 13 μονάδες τεχνητού νευρωνικού δικτύου. Περιοχή κάτω από την ROC ήταν 0.951 για την εσωτερική σύνολο επικύρωσης και είχε μια ακρίβεια πρόβλεψης του 83% για την εξωτερική σύνολο επικύρωσης. Ειδικότερα, η καθιερωμένη νευρωνικό δίκτυο καταρράκτη βρέθηκε να έχει ισχυρή ανοσία έναντι παρεμβολών θορύβου που διαταράσσει τις αξίες της έκφρασης των miRNAs. Αυτή η μελέτη παρέχει μια αποτελεσματική και εύκολη στη χρήση μέθοδο που στοχεύει να μεγιστοποιήσει την κλινική εφαρμογή των miRNAs στην προγνωστική αξιολόγηση του κινδύνου των ασθενών με καρκίνο

Παράθεση:. Zhu W, Kan Χ (2014) Νευρωνικών Δικτύων Cascade Βελτιστοποιεί microRNA βιοδείκτη επιλογής για ρινοφαρυγγικής πρόγνωση του καρκίνου. PLoS ONE 9 (10): e110537. doi: 10.1371 /journal.pone.0110537

Συντάκτης: Raffaele Α Calogero, Πανεπιστήμιο του Τορίνο, Ιταλία

Ελήφθη: 7 Αυγούστου, 2014? Αποδεκτές: 15 του Σεπτέμβρη 2014? Δημοσιεύθηκε: 13 Οκτωβρίου, 2014

Copyright:. © 2014 Zhu, Kan Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή, σε οποιοδήποτε μέσο , υπό την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

δεδομένα Διαθεσιμότητα:. Οι συγγραφείς επιβεβαιώνουν ότι όλα τα δεδομένα που διέπουν τα ευρήματα είναι πλήρως διαθέσιμα χωρίς περιορισμούς. Όλα τα σχετικά δεδομένα είναι εντός του Υποστηρίζοντας αρχεία πληροφοριών του χαρτιού και

Χρηματοδότηση:. Η εργασία αυτή χρηματοδοτήθηκε από το Εθνικό Ίδρυμα Φυσικών Επιστημών της Κίνας (Νο 31301136). Ο χρηματοδότης δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου

Αντικρουόμενα συμφέροντα:.. Οι συγγραφείς έχουν δηλώσει ότι δεν υπάρχουν ανταγωνιστικά συμφέροντα

Εισαγωγή

Τα microRNAs (miRNAs) ανήκουν σε μια κατηγορία των μικρών (~ 22 nt) ενδογενή μη-κωδικοποίησης των μορίων RNA. MiRNAs παίζουν ζωτικό ρόλο στη ρύθμιση της έκφρασης του mRNA και τα επίπεδα της πρωτεΐνης εξομάλυνσης των βραχυχρόνιων διακυμάνσεων μετα-μεταγραφικά [1], [2]. Ουσιαστική στοιχεία έχουν δείξει ότι miRNAs μπορούν να χρησιμεύσουν ως πολλά υποσχόμενη θεραπευτικοί στόχοι για την κλινική θεραπεία του καρκίνου στο κοντινό μέλλον [3] – [5]. Εν τω μεταξύ, οι πιθανές κλινικές εφαρμογές των διαγνωστικών και προγνωστικών βιοδεικτών επίσης ευρέως μελετηθεί και υποδηλώνουν έντονα τη χρησιμότητα της μέτρησης που κυκλοφορούν και miRNAs βιοψία ιστού [6] – [8]. Λόγω της συνεχούς τεχνολογικές καινοτομίες τα τελευταία χρόνια, οι μέθοδοι υψηλής απόδοσης, όπως miRNA μικροσυστοιχιών είχαν επιτυχία στην ταυτοποίηση των πιθανών βιοδεικτών από χιλιάδες ώριμη miRNAs στον άνθρωπο [9], [10]. Ως αποτέλεσμα, οι προσπάθειες αυτές έχουν οδηγήσει σε μια αυξανόμενη συσσώρευση των δεδομένων έκφρασης miRNA στη δημόσια έκφραση γονιδίων Omnibus (GEO) βάσεων δεδομένων [11].

Η ταυτόχρονη ανίχνευση πολλών miRNAs δημιουργεί ένα τεράστιο σύνολο δεδομένων των βιολογικών δεδομένων που απαιτεί σημαντική υπολογιστική ανάλυση. Αν και οι τρέχουσες τεχνολογίες ανίχνευσης miRNA είναι ήδη πολύ καλά εδραιωμένη, εξακολουθεί να μην υπάρχει ευρέως αναγνωρισμένη μέθοδος για την ανάλυση της τεράστιας ποσότητας δεδομένων που λαμβάνονται με μεθόδους υψηλής απόδοσης [12]. Η συντριπτική πλειοψηφία των προηγούμενων μελετών υποτεθεί μία γραμμική σχέση μεταξύ της έκφρασης miRNA και του φαινοτύπου της νόσου [13] – [15]. Αυτό οδήγησε στην ευρεία εφαρμογή της απλής στατιστικών μεθόδων, όπως Φοιτητών

t-test

ή η ανάλυση των τεστ διακύμανσης για μεταξύ των ομάδων σύγκριση των τιμών έκφρασης των miRNAs. Ωστόσο, αυτή η υπόθεση δεν έχει δοκιμαστεί ειδικά, ή φαίνεται να είναι έγκυρη. Εναλλακτικά, αντί για ένα γραμμική σχέση, θα σκεφτεί ότι μια μη γραμμική συσχέτιση μπορεί να είναι δυνατή μεταξύ της έκφρασης miRNA και φαινότυπο της νόσου. Η υπόθεση αυτή βασίζεται κυρίως στην γνώση που miRNAs παίξει πολύπλευρο και πολύπλοκο ρόλο σε πολλές βιολογικές διαδικασίες [16]. Αν η μη γραμμική σχέση είναι έγκυρη, μπορεί να σημαίνει ότι η παραδοσιακή έκφραση των miRNAs επεξεργασίας δεδομένων, ανάλυση και μοντελοποίηση με γραμμικές μέθοδοι είναι ανεπαρκείς.

Η ακατάλληλη επιλογή της στατιστικής ή μοντελοποίησης μέθοδοι μπορεί να βλάψει τη δυνητική απόδοση των miRNAs ως βιοδείκτες και να οδηγήσει σε χαμηλή διάκριση των ασθενών [17], [18]. Προτείνουμε έναν εφικτό τρόπο για να αντιμετωπίσει αυτό το ζήτημα μέσα από μετατροπή αξιών έκφρασης των miRNAs σε μια γραμμική μεταβλητή πριν από τη θέσπιση διαγνωστική ή προγνωστική μοντέλο. Χρησιμοποιώντας αυτήν την προτεινόμενη μέθοδο, η παρούσα μελέτη έχει ως στόχο να παράσχει μια ολιστική και γενική λύση για την επιλογή βιοδείκτη miRNA και την κατασκευή μοντέλου πρόβλεψης. Τα τελευταία χρόνια, τεχνητό νευρωνικό δίκτυο (ANN) μοντελοποίηση έχει εφαρμοστεί με επιτυχία στη διάγνωση του καρκίνου και τη διαχείριση [19] – [21]. Στο παρόν, μια νέα μέθοδος μοντελοποίησης τεχνητό νευρωνικό δίκτυο (ΤΝΔ) ιδρύθηκε για το σκοπό αυτό: ο καταρράκτης νευρωνικό δίκτυο (NNC), ένα επεκτάσιμο και πυραμίδα-όπως καταρράκτη των μικρών μονάδων ΤΝΔ. Κάθε μικρή μονάδα ANN έχει απλή αρχιτεκτονική του δικτύου και περιορίζεται να ασχολείται με ένα μόνο έργο, όπως η μετατροπή των δεδομένων, ενσωμάτωση δεδομένων, ή εξόδου πρόβλεψη. Θεωρητικά, μια NNC μοντέλο μπορεί ταυτόχρονα να φιλοξενήσει και να επεξεργάζονται μεγάλες ποσότητες πληροφοριών παράλληλα. Ακόμα και αν ένα μόνο εισόδου έχει κακή προγνωστική απόδοσης, εφ ‘όσον δοθεί επαρκείς πληροφορίες εισόδου, μια ακριβή τελική πρόβλεψη είναι εγγυημένη. Ο αριθμός των παραμέτρων εισόδου περιλαμβάνονται στο μοντέλο εξαρτάται από τις απαιτήσεις ακρίβειας που διατίθενται στην τελική πρόβλεψη.

Για να φανεί καλύτερα η μέθοδος μας, έχουμε αναπτύξει ένα προγνωστικό μοντέλο NNC για την αξιολόγηση του κινδύνου θανάτου σε ασθενείς με καρκίνωμα του ρινοφάρυγγα (NPC) χρησιμοποιώντας ένα σύνολο δεδομένων έκφρασης των miRNAs που ανακτώνται από GEO (σύνολο δεδομένων ID: GSE32960). Τα αποτελέσματά μας δείχνουν μια μη γραμμική συσχέτιση μεταξύ της έκφρασης των miRNAs και τον κίνδυνο θανάτου των ασθενών που έχουν διαγνωστεί με NPC. Το καθιερωμένο μοντέλο NNC έδειξε καλή απόδοση πρόβλεψη προσδιορίζοντας με ακρίβεια τους ασθενείς υψηλού κινδύνου, ακόμη και στην περίπτωση όπου τα επίπεδα έκφρασης των miRNAs τεχνητά διαταραχθεί. Εν ολίγοις, μια τέτοια προσπάθεια έχει ως στόχο να ενισχύσει αναλυτικά τη χρησιμότητα των miRNAs ως κλινική βιοδείκτες για την επίτευξη ακριβή διάγνωση και εξατομικευμένη θεραπεία του καρκίνου. επιτυχημένη ανάλυση περιπτωσιολογική μελέτη μας NPC πρόγνωση χρησιμοποιώντας το νέο μοντέλο NNC δείχνει ότι το μοντέλο αυτό θα ισχύει και για τη διάγνωση και την πρόγνωση των άλλων ανθρώπινων ασθενειών

Υλικά και Μέθοδοι

στοιχεία έκφρασης των miRNAs:. εξαγοράς και προ-επεξεργασίας

Το σύνολο των δεδομένων έκφρασης των miRNAs για τους ασθενείς με NPC (GSE32960) ανακτήθηκε από GEO. τα δείγματα 312 NPC συμπεριλήφθηκαν μόνο στη μελέτη μας. Έχουμε κατεβάσει των προεπεξεργασμένων τιμών έκφρασης μικροσυστοιχιών για 873 miRNAs για κάθε δείγμα και κατέγραψε την κατάσταση επιβίωσης (ζωντανός: 0 ή νεκρό: 1) του αντίστοιχου ασθενούς. Οι αρχικές τιμές έκφρασης μικροσυστοιχιών κάθε miRNA στη συνέχεια κανονικοποιούνται ως αριθμούς μεταξύ 0 και 1, όπως υπολογίζεται παρακάτω:

MAX_VALUE και MIN_VALUE είναι οι μέγιστες και ελάχιστες τιμές αρχική έκφραση miRNA σε όλη τη συλλογή των δειγμάτων, αντίστοιχα. Μετά από αυτό, τα δείγματα χωρίστηκαν τυχαία σε δύο ομάδες: μία ομάδα εκπαιδεύσεως μοντέλο (n = 208) και ένα εξωτερικό σετ επικύρωσης (n = 104). Για τα δείγματα στο σετ εκπαίδευσης, το λογισμικό ANN δΤΑΤΙδΤΙΟΑ Νευρωνικά Δίκτυα (SNN, Release 4.0E) χρησιμοποιήθηκε για την κατασκευή μονάδων ΤΝΔ, που μετατρέπουν τις αξίες της έκφρασης των miRNAs σε miRNA βαθμολογίες για κάθε ένα από τα 873 miRNAs. Οι μονάδες ANN έχουν τρία στρώματα: η μεταβλητή εισόδου, μεταβλητή έξοδο, και μια λειτουργία για να συνδέσετε τα δύο. Χρησιμοποιήσαμε τα εισαγόμενα κανονικοποιημένες τιμές έκφρασης των miRNAs ως μεταβλητή εισόδου και κατάσταση επιβίωσης, όπως η μεταβλητή εξόδου. Για το μεσαίο στρώμα, η προηγμένη έκδοση του Intelligent επίλυσης προβλημάτων (IPS) εργαλείο εφαρμόστηκε για την οικοδόμηση μιας συνάρτησης ακτινικής βάσης (RBF) -ANN με 11 κρυφές μονάδες. τιμές εξόδου του δικτύου αναφέρονται ως miRNA βαθμολογίες, οι οποίες πιστεύεται ότι συνδέονται γραμμικά με τον κίνδυνο θανάτου των ασθενών. Η μη παραμετρική συντελεστής συσχέτισης Spearman (Spearman R) υπολογίστηκε για να αξιολογηθεί η γραμμική σχέση μεταξύ των κανονικοποιημένων miRNA σκοράρει και κατάσταση επιβίωσης για κάθε ασθενή.

miRNA επιλογή βιοδεικτών και ANN κτίριο μοντέλο

Οι πιθανοί miRNAs βιοδείκτες ταξινομήθηκαν και επιλέγονται βάσει των τιμών Spearman R. Στη μελέτη αυτή, επιλέξαμε να διατηρήσει μόνο τα εννέα miRNAs με τις υψηλότερες τιμές R και πετάξτε τους άλλους. Οι κανονικοποιημένες τιμές έκφρασης miRNA και ομαλοποιήθηκε βαθμολογίες miRNA τριών miRNAs με τις καλύτερες τιμές Spearman R (MIR-29γ, miR-34γ-5ρ, και miR-93) χρησιμοποιήθηκαν για την κατασκευή των μη μετασχηματισμένο μοντέλα νευρωνικών δικτύων (UNN) και μετασχηματίστηκε νευρωνικό δίκτυο (TNN), αντίστοιχα. Και τα δύο μοντέλα είχαν την ίδια αρχιτεκτονική του δικτύου (3-11-1). Όλα τα miRNA βαθμολογίες των εννέα miRNAs στη συνέχεια χρησιμοποιήθηκαν για την κατασκευή του νέου ANN μοντέλο, το οποίο ονομάσαμε το νευρικό καταρράκτη δικτύου (NNC). Μια NNC αποτελείται από πολλές μονάδες ΤΝΔ. Κάθε μονάδα ANN είναι ένα ανεξάρτητο μοντέλο ΤΝΔ. Σε μια NNC μοντέλο, οι πρωτογενείς εννέα μονάδες ANN χρησιμοποιήθηκαν για τις επιλεγμένες εννέα miRNAs να τους μετατρέψουν από τα επίπεδα έκφρασης των miRNAs σε miRNA βαθμολογίες. Κάθε μονάδα είχε μια αρχιτεκτονική 1-11-1 δικτύου. Μετά από αυτό, μια δευτερεύουσα μονάδα ΤΝΔ με ένα πλαίσιο 3-11-1 στη συνέχεια χτίστηκε για να ενσωματώσει τις εξόδους από τις τρεις μονάδες μετατροπής δεδομένων. χρειάστηκαν συνολικά τρεις τέτοιες δευτερεύουσες μονάδες για τις εννέα miRNAs. Τέλος, η τριτοβάθμια μονάδα ANN χτίστηκε για να συνδυάσει τις εξόδους από τις παραπάνω τρεις δευτερεύουσες μονάδες ANN. Η τελική έξοδος είναι μια αριθμητική πρόβλεψη του κινδύνου θανάτου των ασθενών με NPC με βάση τις υπογραφές της γονιδιακής έκφρασης των miRNAs τους. Αξίζει να σημειωθεί ότι, ονομάσαμε όλες τις εξόδους μοντέλο ως miRNA αποτελέσματα, ανεξάρτητα από την καταγωγή τους από τις μονάδες ANN ή τα σύνθετα μοντέλα. Επιπλέον, μια λεπτομερής περιγραφή του κτιρίου μοντέλο NNC είχε παρασχεθεί στο S1 Κείμενο.

Εσωτερική και εξωτερική επικύρωση

Η μέθοδος διασταυρωμένης επικύρωσης προπύργιο χρησιμοποιήθηκε για τη διεξαγωγή εσωτερικής επικύρωσης για κάθε μονάδα ANN με τη χρήση του προεπιλεγμένες ρυθμίσεις του εργαλείου IPS. Τα δείγματα 208 μοντέλο εκπαίδευσης χωρίστηκαν τυχαία σε τρεις ομάδες, συμπεριλαμβανομένων σύνολο εκπαίδευσης, σετ επαλήθευσης, και σετ δοκιμών σε αναλογία 2:01:01. Γραμμική παλινδρόμηση χρησιμοποιήθηκε για την αξιολόγηση της συνέπειας των αποτελεσμάτων της κατάρτισης και της σειράς δοκιμών. Παρόμοια συντελεστές συσχέτισης για τα σύνολα εκπαίδευσης και δοκιμών συνεπάγεται η συγκεκριμένη μονάδα ANN έχει καλή ικανότητα γενίκευσης και

αντίστροφα

. Επιπλέον, μια ανεξάρτητη ομάδα που αποτελούνταν από 104 δείγματα χρησιμοποιήθηκε για να εκτελέσει εξωτερική επικύρωση των ακρίβειες πρόβλεψης του μοντέλου NNC. Εκτός από τη γραμμική παλινδρόμηση, ένα χαρακτηριστικό λειτουργίας λήπτη (ROC) καμπύλη ανάλυση πραγματοποιήθηκε επίσης να αξιολογηθούν τα αποτελέσματα πρόβλεψης των μοντέλων UNN, TNN και NNC με τη χρήση του λογισμικού MedCalc (έκδοση 13.0). Η θετική προγνωστική αξία (PV) σε κάθε κριτήριο βαθμολογίας miRNA ήταν υπολογίζονται και χρησιμοποιούνται για την εκτίμηση της πιθανότητας κακή πρόγνωση για τους 104 ασθενείς στο εξωτερικό σύνολο επικύρωσης.

Η στατιστική ανάλυση

Φοιτητών

t-test

χρησιμοποιήθηκε για συγκρίσεις μεταξύ δύο ομάδων κατάσταση επιβίωσης των ασθενών με NPC από διάφορες πτυχές, συμπεριλαμβανομένης της έκφρασης miRNA, σκορ miRNA, και την πιθανότητα κακή πρόγνωση. Ανάλυση της περιοχής κάτω από την καμπύλη ROC (AUROC) χρησιμοποιήθηκε για την σύγκριση κάθε παράσταση πρόβλεψης κινδύνου από miRNA τα αποτελέσματα των διαφορετικών miRNAs, έκφραση των miRNAs, και τα αποτελέσματα της ίδιας miRNA, ή τελικά αποτελέσματα των διαφορετικών μοντέλων ΤΝΔ [22]. Οι διαφορές θεωρήθηκαν στατιστικά σημαντικές όταν

σ

& lt?. 0.05 για όλες τις στατιστικές μεθόδους που χρησιμοποιούνται σε αυτή τη μελέτη

Αποτελέσματα

Εννέα miRNAs επιλέχθηκαν ως NPC προγνωστικούς βιοδείκτες από το 873 μετράται miRNAs

Κατ ‘αρχάς, θα ομαλοποιηθεί και τα μεταποιημένα τις αρχικές τιμές έκφρασης των miRNAs που είχαν κατεβάσει από το σύνολο δεδομένων GEO της γονιδιακής έκφρασης σε ασθενείς με NPC (GSE32960). Στη συνέχεια, τα 312 δείγματα ασθενών χωρίστηκαν τυχαία σε ένα σύνολο εκπαίδευσης μοντέλο και ένα εξωτερικό σύνολο επικύρωσης σε αναλογία 2:01. Στο σύνολο εκπαίδευσης μοντέλο, μικρά μοντέλα ΤΝΔ με την αρχιτεκτονική του δικτύου της 1-11-1 εφαρμόστηκε για να μετατρέψει τις αξίες της έκφρασης των miRNAs σε miRNA βαθμολογίες για κάθε miRNA αναλύονται. Το λογισμικό GraphPad Prism 6.0 στη συνέχεια χρησιμοποιήθηκε για τον υπολογισμό του Spearman R μεταξύ των βαθμολογιών miRNA και κατάσταση επιβίωσης του ασθενούς για κάθε ένα από τα 873 miRNAs. Τέλος, μεταξύ των 873 miRNAs, τονίστηκαν εννέα miRNAs με τις υψηλότερες τιμές Spearman R: miR-93, miR-29c, miR-34γ-5P, miR-202, miR-145-αστέρων, miR-1292, miR-26a, miR-30e, και miR-15b (κατά φθίνουσα σειρά του Spearman R αξία). Το miR-93 miRNA βαθμολογία έδειξε την καλύτερη γραμμική συσχέτιση με την κατάσταση επιβίωσης (Σχήμα 1Α, Spearman R = 0.3091). Συγκριτικά, το αφήνω-7-αστέρων βαθμολογία miRNA βρέθηκε να είναι άσχετη με NPC επιβίωση του ασθενούς (Εικόνα 1Β, Spearman R = 0,0075). Το αποτέλεσμα αυτό επιβεβαιώθηκε περαιτέρω με ανάλυση ROC μας (Σχήμα 1C). Η AUROC του μοντέλου πρόβλεψης με τη χρήση του miR-93 βαθμολογία miRNA ήταν σημαντικά υψηλότερη από εκείνη του μοντέλου πρόβλεψης χρησιμοποιώντας το σκορ miRNA της ας-7ε αστέρων (

σ

= 0,0001). Επιπλέον, υπολογίζεται AUROCs για τα άλλα οκτώ miRNAs που επιλέχθηκαν ως πιθανοί βιοδείκτες για NPC πρόγνωση. Ένα αυστηρό σχέση συσχέτιση αποκαλύφθηκε μεταξύ των τιμών του Spearman R και εκείνων των AUROCs (Εικόνα 1D). Το αποτέλεσμα αυτό υποδηλώνει τον υπολογισμό Spearman R ή AUROC οδηγεί σε παρόμοια αποτελεσματικότητα με την ικανότητα να ανιχνεύουν προτιμάται βιοδείκτες από τα πειράματα μικροσυστοιχιών miRNA.

α) υφίσταται σημαντική γραμμική σχέση μεταξύ των κανονικοποιημένων miR-93, βαθμολογίες και την κατάσταση της επιβίωσης των ασθενών. Spearman R = 0,3091?

σ

& lt? 0,0001. Β) Δεν παρατηρήθηκε σημαντική γραμμική σχέση βρέθηκε μεταξύ κανονικοποιημένων βαθμολογιών let-7ε αστέρων και κατάσταση επιβίωσης των ασθενών. Spearman R = 0,0075?

σ

& lt? 0.895. Γ) Σύγκριση AUROC μεταξύ των μοντέλων πρόβλεψης κινδύνου θανάτου χρησιμοποιώντας miR-93 και αφήστε-7E-αστέρων βαθμολογίες. Μια σημαντική διαφορά παρατηρήθηκε (

σ

= 0,0001). Δ) Μια τέλεια σχέση γραμμική συσχέτιση βρέθηκε μεταξύ Spearman τιμές R και AUROCs (n = 9).

σ

& lt?. 0.0001

Η

Έκφραση των εννέα υποψήφιες miRNAs βιοδείκτες ήταν μη γραμμικά σχετίζονται με την κατάσταση επιβίωσης

οικόπεδα διασποράς σύρθηκαν για να τονίσει τη σχέση μεταξύ της έκφρασης των miRNAs και βαθμολογίες miRNA (Σχήμα 2Α). Ως αποτέλεσμα, δεν γραμμική σχέση ανιχνεύθηκε μεταξύ της έκφρασης των miRNAs και miRNA βαθμολογίες για τις εννέα επιλεγέντα υποψήφιο miRNA βιοδείκτες. Καθώς το σκορ miRNA είναι μια γραμμική μεταβλητή την αξιολόγηση του κινδύνου θανάτου των ασθενών με NPC, ένα τέτοιο αποτέλεσμα δείχνει μια μη γραμμική σχέση μεταξύ της έκφρασης των miRNAs και καταστάσεις επιβίωσης του ασθενούς. Το εύρημα αυτό υποδηλώνει επίσης ότι η άμεση μεταξύ ασθενών σύγκριση της έκφρασης των miRNAs μπορεί να μην είναι κατάλληλο για την πρόβλεψη πρόγνωση. Η miRNA miR-15b χρησιμοποιήθηκε για να εξετάσει περαιτέρω το ζήτημα αυτό. Σύμφωνα με την αξία Spearman R, miR-15b επιλέχθηκε ως ένα από τα εννέα προτιμώμενη βιοδείκτες miRNA δείχνει NPC πρόγνωση. Ωστόσο, δεν βρήκαμε καμία διαφορά στην έκφραση του miR-15b μεταξύ των δύο ομάδων ασθενών με διαφορετικές καταστάσεις επιβίωσης του Student

t-test

(Εικόνα 2Β). Αντίθετα, η μέθοδος μας μετασχηματισμού αξιών γονιδιακής έκφρασης miRNA στο σκορ miRNA μας επέτρεψε να διακρίνουμε επιτυχώς μεταξύ των δύο ομάδων ασθενών (Σχήμα 2C). Σε σύγκριση με την έκφραση miRNA, η βαθμολογία miRNA έδωσε μια θετική πρόβλεψη, το οποίο περαιτέρω επιβεβαιώθηκε με την ανάλυση ROC (Σχήμα 2D). Παρόμοια αποτελέσματα παρατηρήθηκαν επίσης σε miR-34γ-5P, miR-145-αστέρων, miR-202 και miR-1292 (Σχήμα S1).

Α) Απεικόνιση της σχέσης μεταξύ κανονικοποιημένη έκφραση των miRNAs και ομαλοποιημένη miRNA βαθμολογίες των επιλεγμένων εννέα miRNA βιοδείκτες. Β) Δεν παρατηρήθηκε σημαντική διαφορά σε κανονικοποιημένη έκφραση miR-15b μεταξύ των ασθενών με καταστάσεις επιβίωση του «ζωντανός» και «νεκρό». Η μέση ± SEM?

σ

= 0,61. Γ) Τα miRNA βαθμολογίες των miR-15b ήταν σημαντικά διαφορετικά όταν συγκρίθηκαν οι ασθενείς με καταστάσεις επιβίωση των «ζωντανό» και «νεκρό». Η μέση ± SEM?

σ

& lt? 0,0001. Δ) Σύγκριση AUROC μεταξύ των μοντέλων πρόβλεψης κινδύνου θανάτου χρησιμοποιώντας την έκφραση των miRNAs και miRNA βαθμολογίες των miR-15b, αντίστοιχα. Μια σημαντική διαφορά βρέθηκε (

σ

= 0,0011).

Η

Το μοντέλο NNC έδειξε την καλύτερη πρόβλεψη των

κίνδυνο θανάτου των ασθενών

Σε αυτή τη μελέτη, χτίσαμε τρεις μοντέλα ANN να αποδειχθεί περαιτέρω η σημασία του γραμμικού μετασχηματισμού των αξιών έκφρασης miRNA σε βαθμολογία miRNA. Το μοντέλο UNN ήταν ένα παραδοσιακό μοντέλο ΤΝΔ με ένα πλαίσιο 3-11-1 δίκτυο κατασκευάστηκε χρησιμοποιώντας τις κανονικοποιημένες τιμές έκφρασης των miRNAs του miR-29c, miR-34γ-5P, andmiR-93 ως τις μεταβλητές εισόδου. Με την ίδια πλαίσιο του δικτύου, το μοντέλο TNN χρησιμοποίησε τις κανονικοποιημένες miRNA βαθμολογίες των τριών αυτών miRNAs ως μεταβλητές εισόδου. ανάλυση ROC αποκαλύπτει μια καλύτερη προβλεπτική επίδοση του μοντέλου TNN από εκείνη του μοντέλου UNN (Σχήμα 3Α). Το τελευταίο μοντέλο ANN φτιάξαμε ήταν ένα NNC μοντέλο, το οποίο είχε την πιο πολύπλοκο πλαίσιο του δικτύου, ενσωματώνοντας 13 μονάδες ANN όπως φαίνεται στο Σχήμα 3Β. Το μοντέλο έχει ένα NNC AUROC του 0.951, το οποίο δείχνει το μοντέλο αυτό έχει την καλύτερη προβλεπτική ικανότητα να διακρίνουν τους ασθενείς με διαφορετικά καθεστώτα επιβίωση (Σχήμα 3Α). Η επικύρωση του εσωτερικού δείχνει ότι έχει καλή ικανότητα γενίκευσης για την πρόβλεψη της πρόγνωσης των ασθενών πέρα ​​από το σύνολο εκπαίδευσης προσομοίωσης (Σχήμα 3Β)

UNN: μη μεταμορφωμένο νευρωνικό δίκτυο?. TNN: μεταμορφωθεί νευρωνικό δίκτυο? NNC: νευρωνικό δίκτυο καταρράκτη. Tr και Te αντιπροσωπεύουν συντελεστές συσχέτισης μεταξύ των μεταβλητών εξόδου και το σκορ miRNA του συνόλου εκπαίδευσης και δοκιμών που σε κάθε μονάδα ANN, αντίστοιχα.

Η

Το μοντέλο NNC έδειξε ισχυρή ανοσία κατά διαταραχθεί η έκφραση των miRNAs

οικόπεδα Scatter εμφανιστεί πιο καθαρά η διακριτική επίδραση των διαφορετικών ANN μοντέλα (Εικόνα 4Α). Σε σύγκριση με UNN ή TNN, είναι εύκολο να προσδιορίσει ότι NNC είχε την καλύτερη απόδοση, παρά το γεγονός ότι και τα τρία μοντέλα θα μπορούσαν να διακρίνουν σημαντικά τους ασθενείς με την κατάσταση επιβίωσης των «νεκρών» από εκείνους που με την ιδιότητα «ζωντανός» (

p

& lt? 0,0001). Η υψηλή προγνωστική απόδοση του NNC επιβεβαιώθηκε όταν δοκιμάζεται με τα 104 ασθενείς που χρησιμοποιούνται για εξωτερική επικύρωση (Σχήμα 4Β). Περαιτέρω ανάλυση ROC έδειξε ότι η ακρίβεια πρόβλεψης ήταν 83% για τον εντοπισμό ασθενών υψηλού κινδύνου με τη χρήση του μοντέλου NNC ιδρύθηκε εδώ. Λαμβάνοντας υπόψη την ποικιλομορφία των πραγματικών ασθενών στην κλινική, διερευνήσαμε επίσης την ικανότητα αντι-παρεμβολών των διαφορετικών μοντέλων, αντικαθιστώντας τις τιμές έκφραση του miR-93 miRNA με εκείνες του ας-7E-αστέρων. Σε αυτή τη μελέτη, το let-7ε αστέρων miRNA σκορ είχε δείξει καμία σχέση με τον κίνδυνο θανάτου των ασθενών που έχουν διαγνωστεί NPC (Εικόνα 1Β και Γ). Το αποτέλεσμα αυτής της ανταλλαγής διαπίστωσε ότι η UNN δεν θα μπορούσε να επιβιώσει αν οι τιμές έκφρασης miR-93 είχαν διαταραχθεί σοβαρά (σχήμα 4C). Δεν υπάρχει σημαντική διαφορά στην miRNA βαθμολογίες μεταξύ των δύο ομάδων ασθενών σε αυτό το μοντέλο (

σ

= 0,20). Συγκριτικά, τα άλλα δύο μοντέλα, ειδικά το μοντέλο NNC, ακόμα έδειξε ισχυρή απόδοση σε διάκριση κατάστασης των ασθενών.

Συγκρίσεις των miRNA βαθμολογίες πραγματοποιήθηκαν μεταξύ των ασθενών με διαφορετικές καταστάσεις επιβίωσης στο σύνολο εκπαίδευσης μοντέλο (Α) και το εξωτερικά σύνολα επικύρωση με την κανονική είσοδο έκφραση του miR-93 (Β) και με διαταραγμένη εισόδου έκφραση του miR-93 (C). UNN: μη μετασχηματισμένα νευρωνικό δίκτυο? TNN: μεταμορφωθεί νευρωνικό δίκτυο? NNC:. Νευρωνικό δίκτυο καταρράκτη

Η

Επιπλέον, αξιολογήσαμε την πιθανότητα μιας κακής prognosisfor κάθε ασθενή με NPC. Η μέση πιθανότητα των ασθενών με το καθεστώς επιβίωση του «ζωντανός» ήταν 0,50, υποδεικνύοντας ότι ο κίνδυνος θανάτου εξακολουθεί να υπάρχει για αυτή την ομάδα ασθενών (Σχήμα 5Α). Σε σύγκριση με UNN ή TNN, NNC εκτιμάται με μεγαλύτερη ακρίβεια τον κίνδυνο θανάτου των ασθενών με την κατάσταση επιβίωσης των «νεκρών», ακόμη και στην περίπτωση κατά την οποία η έκφραση του miR-93 σοβαρά διαταραχθεί (Εικόνα 5Β). Το εύρημα αυτό υποδηλώνει ότι το μοντέλο NNC μπορεί να έχει ισχυρή ανοσία έναντι παρεμβολών θορύβου που προκαλείται από άγνωστους παράγοντες.

Α) Κανονική miR-93 εισόδου έκφρασης. Β) εισόδου έκφραση Disturbed miR-93. UNN: μη μετασχηματισμένα νευρωνικό δίκτυο? TNN: μεταμορφωθεί νευρωνικό δίκτυο? NNC: νευρωνικό δίκτυο καταρράκτη. Όλα τα δεδομένα εκφράζονται ως μέση τιμή ± SEM.

Η

Συζήτηση

miRNAs είναι ευρέως πιστεύεται ότι είναι η πιο πολλά υποσχόμενη κατηγορία των ενδογενών ουσιών για κλινική διαγνωστική και προγνωστική βιολογικών δεικτών για τον καρκίνο [23]. Αυτή η πεποίθηση οδήγησε τους ερευνητές σε όλο τον κόσμο για να εκτελέσει συγκεκριμένες ασθένειες προφίλ έκφρασης των miRNAs σε ένα εκτεταμένο πεδίο της έρευνας για τον καρκίνο [24], [25]. Σε αυτή τη μελέτη, προσπαθούμε για πρώτη φορά να παρουσιάσει μια γενική μέθοδος για τη μετάφραση των δεδομένων έκφραση miRNA σε κλινικά σχετικές γλώσσα, όπως είναι η δυνατότητα να έχουν καρκίνο ή τον κίνδυνο κακή πρόγνωση εξαιτίας πάσχουν από καρκίνο. Εν συντομία, ένα υπολογιστικό μοντέλο κατασκευάστηκε από την ενσωμάτωση πολλών μονάδων ANN μικρές μίας λειτουργίας σε ένα σύστημα αλληλουχίας του δικτύου. Εμείς αυτό που ονομάζεται το νευρωνικό δίκτυο καταρράκτη. Δείξαμε ότι το νευρωνικό δίκτυο καταρράκτη ήταν αποτελεσματική για τον εντοπισμό του κινδύνου θανάτου των ασθενών που διαγιγνώσκονται με NPC.

Το θεωρητικό θεμέλιο λίθο για το μοντέλο NNC ιδρύθηκε εδώ είναι η υπόθεση ότι η έκφραση των miRNAs δεν μπορεί να σχετίζεται γραμμικά με τους δείκτες κλινικό φαινότυπο . Αυτή η υπόθεση είναι λογική και ρεαλιστική δεδομένης της πολυπλοκότητας της συμμετοχής miRNAs στην ανθρώπινη βιολογία [16], [26], [27]. Με βάση αυτή την υπόθεση, η έκφραση miRNA θα πρέπει να μετατραπεί σε μια γραμμική μεταβλητή πριν τη χρήση να αξιολογήσει τη δυνατότητα κλινικές συνέπειες, όπως ότι εάν ένας ασθενής διατρέχει υψηλό κίνδυνο θανάτου λόγω καρκίνου. Τα αποτελέσματά μας υποστηρίζουν την εγκυρότητα της υπόθεσης. Βρήκαμε μια μη γραμμική σχέση μεταξύ της έκφρασης των miRNAs και τον κίνδυνο θανάτου των ασθενών με NPC. Το εύρημα αυτό υποδηλώνει τη σημασία των miRNA προεπεξεργασίας δεδομένων έκφρασης πριν από κάθε κλινική αποφάσεις miRNA με βάση το έκανε

Διαφορετικά από τις παραδοσιακές τεχνητά νευρωνικά δίκτυα χρησιμοποιήθηκαν προηγουμένως στη διάγνωση και τη διαχείριση [19] του καρκίνου -. [21], το NNC έκανε δεν χρησιμοποιούν άμεσα την έκφραση των miRNAs. Αντίθετα, το NNC μετατρέπει πρώτη γονιδιακή έκφραση των miRNAs σε ένα σκορ miRNA, μια γραμμική μεταβλητή για την αξιολόγηση κλινικό φαινότυπο. Ως αποτέλεσμα, το miRNA σκοράρει αντί της έκφρασης των miRNAs χρησιμοποιήθηκε για τους σκοπούς της επιλογής πιθανών βιοδεικτών miRNA και την τελική λήψη αποφάσεων. Στο μοντέλο NNC, η μετατροπή και η ενσωμάτωση των δεδομένων και την τελική έξοδο πρόβλεψη επιτεύχθηκε σταδιακά. Αυτό εξασφαλίζει συνολική υπολογιστική απλοποίηση της λειτουργίας του μοντέλου. Ένα άλλο πλεονέκτημα της NNC είναι ότι κάθε miRNA έχει εκχωρηθεί ένα ανεξάρτητο κανάλι για την εισαγωγή πληροφοριών. Με ένα τέτοιο σχεδιασμό, αν οι περισσότεροι miRNAs που απαιτούνται για την καλύτερη πρόβλεψη, μπορεί κανείς να διευρύνει την κλίμακα του μοντέλου NNC χωρίς να αυξάνεται η πολυπλοκότητα του δικτύου της μια ενιαία μονάδα. Αυτό καθιστά το μοντέλο NNC ελεύθερα επεκτάσιμη σύμφωνα με συγκεκριμένες απαιτήσεις. δεδομένα έκφρασης διαφορετικών miRNAs μπορούν να θεωρηθούν ως διαφορετικές πληροφορίες που συμβάλλουν στην υπάρχουσα γνώση μας για τον κίνδυνο θανάτου των ασθενών. Στη μελέτη μας, η συμπερίληψη των πιο miRNAs είχε ως αποτέλεσμα καλύτερες προβλέψεις. Η TNN περιείχε τρεις miRNAs και είχε μια AUROC του 0,862. Αντίθετα, το μοντέλο NNC είχε AUROC του 0.951, το οποίο περιείχε 9 miRNAs. Ωστόσο, είναι επίσης πιθανό ότι ένα μεγαλύτερο μοντέλο NNC για NPC πρόγνωση θα μπορούσε να περιέχει περισσότερα από εννέα miRNAs. Οι εννέα miRNAs που χρησιμοποιούνται στο μοντέλο NNC εδώ απλώς υπηρέτησε ως απεικόνιση της μεθοδολογίας.

εξωτερικής αποτελέσματα επικύρωσης μας UNN και TNN δείχνουν ότι γραμμικό μετασχηματισμό της έκφρασης των miRNAs βελτιώνει κυρίως την επίδραση πρόβλεψη του μοντέλου. Είναι σημαντικό, η διαδικασία αυτή δεν αυξάνει τον αριθμό των miRNA βιοδεικτών που απαιτούνται, υπονοώντας το πλεονέκτημα της χρήσης ενός κλιμάκωση δομή των ΤΝΔ. Επιπλέον, βρήκαμε ότι η κλιμάκωση ANN σύνταγμα είχε μια πιο ισχυρή απόδοση από ό, τι το παραδοσιακό ANN μοντέλο, όπου ανεξήγητη μεταβλητότητα στην έκφραση του miR-93 προκάλεσε μία ANN δυσλειτουργία της μονάδας. Παρά το γεγονός ότι δεν μπορεί να εκτιμηθεί ο βαθμός της εν λόγω παρεμβολής στην πρόγνωση της νόσου σε πραγματικό κλινικό περιβάλλον, παραμένει πιθανό ότι αυτή η μεταβλητότητα θα είναι ένας σημαντικός παράγοντας που εμποδίζει τα μοντέλα πρόβλεψης miRNA που βασίζονται στην πράξη. Σύγκριση των μοντέλων TNN και NNC υποδηλώνει ότι η συμπερίληψη των πιο miRNAs θα αυξήσει την αντοχή του καθιερωμένου μοντέλου ΤΝΔ κατά την ηχορύπανση.

Εν κατακλείδι, η μελέτη μας παρείχε μια λογική και εφικτή μέθοδο για την επιλογή βιοδείκτη miRNA και δημιουργία μοντέλου πρόβλεψης . Το πλεονέκτημα ενός κλιμάκωση κατασκευή μικρών μονάδων τεχνητό νευρωνικό δίκτυο αντικατοπτρίζεται από πολλές πλευρές, συμπεριλαμβανομένων επεκτάσιμη χωρητικότητα και ευέλικτο συνδυασμό των εισροών έκφρασης των miRNAs, καλύτερη πρόβλεψη με ισχυρή σταθερότητα, και περισσότερες ευκαιρίες για ουσιαστική μοντελοποίηση αν ο αριθμός των miRNA βιοδείκτες είναι απεριόριστη. Στο μέλλον, θα πρέπει να γίνει πιο προσπάθειες για την επικύρωση περαιτέρω την εφαρμογή της προσέγγισής μας με τη μετάφραση των δεδομένων έκφρασης των miRNAs σε κλινικά σημαντικές πληροφορίες για τη διάγνωση και την πρόγνωση του καρκίνου.

Υποστήριξη Πληροφορίες

Εικόνα S1.

Σύγκριση της έκφρασης των miRNAs και miRNA βαθμολογία μεταξύ των δύο ομάδων ασθενών με διαφορετικές καταστάσεις επιβίωσης. Α) miR-26a? Β) miR-29b? Γ) miR-30e? Δ) miR-34γ-5P? Ε) miR-93? F) miR-145-αστέρων? G) miR-202? H) miR-1292. Όλα τα δεδομένα εκφράζονται ως μέση τιμή ± SEM

doi:. 10.1371 /journal.pone.0110537.s001

(ΔΕΘ)

Κείμενο S1.

Μια διαδικασία βήμα-προς-βήμα για το μοντέλο NNC κτίριο

doi:. 10.1371 /journal.pone.0110537.s002

(DOCX)