Krooninen sairaus

tiivistelmä

MikroRNA (miRNA) on osoitettu olevan lupaavia biomarkkereita ennustettaessa syövän ennustetta. Kuitenkin sopimatonta tai huonosti optimoitu käsittely ja mallinnus miRNA ekspressiotietojen voivat vaikuttaa negatiivisesti ennustus suorituskykyyn. Tässä ehdotamme kokonaisvaltainen ratkaisu miRNA biomarkkereiden valintaa ja ennustemalli rakentaminen. Tämä työ esittelee käyttöä neuroverkon cascade, jalkauttaminen perustuslaki pieniä keinotekoinen neuroverkko yksikköä, arvioimiseksi miRNA ilmaisun ja potilaiden hoitotuloksiin. MiRNA mikrosiru aineisto nenänielun karsinooma oli noudetaan Gene Expression Omnibus havainnollistaa menetelmää. Tulokset osoittivat epälineaarinen suhde miRNA ilmaisun ja potilaan kuoleman riski, mikä tarkoittaa, että suora vertailu ilmaisun arvoista on sopimatonta. Kuitenkin tämä menetelmä tekee muutosta miRNA ilmaisun arvojen osaksi miRNA pisteet, joka lineaarisesti mittaa kuoleman riskin. Spearmanin korrelaatio laskettiin välillä miRNA tulokset ja selviytymisen tila kunkin miRNA. Lopuksi yhdeksän miRNA allekirjoituksen optimoitiin ennustaa kuoleman riskin jälkeen nenänielusyöpä perustamalla neuroverkon cascade koostuu 13 keinotekoisen neuroverkon yksikköä. Ala ROC oli 0,951 sisäisestä validointi asettaa ja oli ennusteen tarkkuus 83% ulkoisen validointi asetettu. Erityisesti perustettu neuroverkko Cascade havaittiin vahva immuniteetin kohinan, joka häiritsee miRNA ilmaisua arvoja. Tutkimus tarjoaa tehokkaan ja helppo käyttää menetelmää, joka pyrkii maksimoimaan kliinistä soveltamista miRNA vuonna prognostisten riskinarvioinnissa syöpäpotilailla.

Citation: Zhu W, Kan X (2014) Neural Network Cascade optimoi MicroRNA biomarkkereiden valinta Nenänielun syöpä ennuste. PLoS ONE 9 (10): e110537. doi: 10,1371 /journal.pone.0110537

Editor: Raffaele A. Calogero, University of Torino, Italia

vastaanotettu: 07 elokuu 2014; Hyväksytty: 15 syyskuu 2014; Julkaistu: 13 lokakuu 2014

Copyright: © 2014 Zhu, Kan. Tämä on avoin-yhteys artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle mitä tahansa välinettä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

data Saatavuus: kirjoittajat vahvistaa, että kaikki tiedot taustalla olevat havainnot ovat täysin saatavilla rajoituksetta. Kaikki asiaankuuluvat tiedot ovat paperi- ja sen tukeminen Information tiedostoja.

Rahoitus: Tätä työtä tukivat National Natural Science Foundation of China (nro 31301136). Rahoittaja ei ollut roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

MikroRNA (miRNA) kuuluvat luokan pieni (~22 nt) endogeenisten ei-koodaavan RNA-molekyylejä. MiRNA elintärkeä tehtävä säännellä mRNA ilmaisun ja hienosäätöä proteiinin tasot posttranscriptionally [1], [2]. Merkittäviä todisteita on osoittanut, että miRNA voivat toimia lupaavia terapeuttisina kohteina kliinisen syövän hoitoon lähitulevaisuudessa [3] – [5]. Samaan aikaan mahdollisia kliinisiä sovelluksia diagnostisten sekä varoituksia biomarkkerit ovat myös laajalti tutkittu ja viittaavat vahvasti siihen, hyödyllisyys mitata kiertävien ja biopsiakudoksesta miRNA [6] – [8]. Johtuen jatkuvasti teknologisia innovaatioita viime vuosina, suuren suoritustehon menetelmiä, kuten miRNA mikrosirujen ovat onnistuneet tunnistamaan mahdollisia biomarkkereita tuhansia kypsä miRNA ihmisellä [9], [10]. Tämän seurauksena tällaiset pyrkimykset ovat johtaneet yhä kertymistä miRNA ilmentymisen datan julkisella Gene Expression Omnibus (GEO) tietokantaan [11].

Samanaikainen havaitseminen monien miRNA synnyttää suuren aineisto biologista tietoa, joka vaatii merkittävää laskennallisen analyysin. Vaikka nykyinen miRNA ilmaisinteknologia ovat jo hyvin vakiintunut, ei ole vielä laajalti tunnettu menetelmä massiivinen tietomäärä saadaan suuren suoritustehon menetelmillä [12]. Valtaosa aiempien tutkimusten oletetaan suoraviivainen suhde miRNA ilmaisun ja sairausfenotyyppi [13] – [15]. Tämä johti laaja soveltaminen suoraviivaista tilastollisia menetelmiä, kuten Opiskelijan

t

-testissä tai varianssianalyysi testi ryhmien väliset vertailu miRNA ilmaisun arvoja. Tämä oletus ei ole tutkittu, eikä osoitettu olevan pätevä. Vaihtoehtoisesti sen sijaan lineaarinen suhde, me arveltu, että epälineaarinen yhdistys voi olla mahdollista välillä miRNA ilmaisun ja sairausfenotyyppi. Tämä olettamus perustuu pääasiassa siihen, että tiedetään miRNA pelata monipuolista ja monimutkainen rooleja monissa biologisissa prosesseissa [16]. Jos epälineaarinen suhde on pätevä, se voi merkitä sitä, että perinteiset miRNA ilmaisun tietojenkäsittely, analysointi ja mallinnus lineaariset menetelmät ovat riittämättömät.

virheellinen valinta tilastollisten tai mallintamisen menetelmät voivat vahingoittaa potentiaalista suorituskykyä miRNA biomarkkereina ja heikentää syrjintään potilaista [17], [18]. Ehdotamme yksi mahdollinen tapa käsitellä tätä kysymystä muuttamassa miRNA ilmaisun arvot lineaarinen muuttujan ennen perustamisesta diagnostisen tai prognostisen mallin. Käyttäen ehdotettua menetelmää, tässä tutkimuksessa tavoitteena on tarjota kokonaisvaltainen ja yleinen ratkaisu miRNA biomarkkereiden valintaa ja ennustemalli rakentaminen. Viime vuosina, keinotekoinen neuroverkko (ANN) mallinnus on onnistuneesti sovellettu syövän diagnosointiin ja hoitoon [19] – [21]. Tässä uusi keinotekoinen neuroverkko (ANN) mallinnustapa perustettiin tätä tarkoitusta varten: neuroverkko Cascade (NNC), laajennettavissa ja pyramidin kaltainen lukuisiin pieniin ANN yksiköitä. Jokainen pieni ANN yksikössä on yksinkertainen verkkoarkkitehtuuri ja rajoittuu käsittelee vain yksi tehtävä, kuten tietojen muuntaminen, tietojen integroinnin tai ennustaminen lähtö. Teoriassa NNC malli voi samanaikaisesti majoittaa ja käsitellä suuria tietomääriä rinnakkain. Vaikka yksittäinen tulo on huono ennustavaa suorituskykyä, kunhan riittävästi syöttää tiedot annetaan, tarkka lopullinen ennuste on taattu. Syötettyjen parametrien mukana mallissa riippuu tarkkuusvaatimukset saatettu lopulliseen ennustamiseen.

Paremmin havainnollistaa menetelmämme kehitimme NNC ennustetekijöitä mallin kuoleman riskin arviointiin potilailla, joilla on nenänielun karsinooma (NPC) käyttämällä miRNA ilmaisua aineisto noudetaan GEO (aineisto ID: GSE32960). Tuloksemme viittaavat siihen, epälineaarinen yhdistyksen välillä miRNA ilmaisun ja kuoleman riskiä potilailla diagnosoitu NPC. Vakiintuneet NNC malli oli hyvä ennuste suorituskykyä tarkasti tunnistaa korkean riskin potilailla, jopa siinä tapauksessa, että miRNA ekspressiotasoja keinotekoisesti häiriintynyt. Yhteenvetona tällaista vaivaa pyrkii analyyttisesti parantaa hyödyllisyyttä miRNA kliininen biomarkkereita saavuttamisen tarkka diagnoosi ja yksilöllisiä syövän hoitoon. Menestyksekäs tapaustutkimus analyysi NPC ennusteen käyttämällä uusia NNC malli viittaa siihen, että tämä malli on myös sovellettavissa diagnoosin ja ennusteen muiden ihmisen sairauksien.

Materiaalit ja menetelmät

miRNA ekspressiotietojen: hankinta ja esikäsittelyä

miRNA lauseke aineisto potilaille, joiden NPC (GSE32960) oli haettu GEO. Vain 312 NPC näytteet otettiin mukaan tutkimukseen. Me ladannut esikäsitellyt microarray ilmaisun arvot 873 miRNA jokaisesta näytteestä ja kirjataan selviytymisen tila (elossa: 0 tai kuollut: 1) vastaavan potilaalle. Alkuperäinen microarray ilmaisun arvot jokaisesta miRNA olivat normalisoidaan sitten numeroita välillä 0 ja 1 laskettuna alla:

MAX_VALUE ja MIN_VALUE ovat suurin ja pienin alkuperäinen miRNA ilmaisu arvot koko näytteiden kerääminen, vastaavasti. Sen jälkeen näytteet jaettiin satunnaisesti kahteen ryhmään: mallin koulutus joukko (n = 208) ja ulkoisen validointi joukko (n = 104). Näytteissä koulutukseen asetettu, ANN ohjelmisto STATISTICA Neural Networks (SNN, Release 4.0E) käytettiin rakentaa ANN yksiköitä, jotka muuntavat miRNA ilmaisu arvot miRNA tulokset kullekin 873 miRNA. Ann yksiköissä on kolme kerrosta: tulo muuttuja, lähtömuuttujaa, ja toiminto yhdistää kaksi. Käytimme tuotu normalisoitu miRNA ilmaisu arvoja kuin tulo muuttuja ja selviytyminen asema lähdön muuttuja. Sillä keskimmäinen kerros, kehittyneempi versio Intelligent ongelmanratkaisija (IPS) työkalu levitettiin rakentaa radial kantafunktion (RBF) -ANN 11 piilotettua yksikköä. Verkon lähtö arvot kutsutaan miRNA tulokset, joiden katsottiin olevan lineaarisesti liittyvän kuoleman riskiä potilailla. Paramerinen Spearmanin korrelaatiokertoimen (Spearman R) laskettiin arvioimiseksi lineaarisen suhteen normalisoitu miRNA pisteet ja selviytymisen tila kullekin potilaalle.

miRNA biomarkkereiden valinta ja ANN mallin rakentaminen

Oletetut miRNA biomarkkerit rankattiin ja valitaan sen perusteella, Spearman R arvoja. Tässä tutkimuksessa päätimme säilyttää vain yhdeksän miRNA korkein R arvot ja jättää huomiotta kaikki muut. Normalisoitu miRNA ilmaisun arvot ja normalisoitu miRNA tulokset kolmesta miRNA parasta Spearman R-arvot (miR-29c, miR-34c-5p, ja miR-93) käytettiin rakentamaan Transformoimattomassa neuroverkkomallien (UNN) ja transformoitiin hermoverkko (TNN), tässä järjestyksessä. Molemmat mallit oli sama verkkoarkkitehtuuri (3-11-1). Kaikki miRNA tulokset yhdeksästä miRNA käytettiin sitten rakentamiseen romaani ANN mallia, jonka nimesimme neuroverkko Cascade (NNC). NNC koostuu monista ANN yksikköä. Jokainen ANN yksikkö on itsenäinen ANN malli. Vuonna NNC mallissa ensisijainen yhdeksän ANN yksiköitä käytettiin valitun yhdeksän miRNA muuntamaan ne miRNA ekspressiotasot osaksi miRNA tulokset. Jokainen yksikkö oli 1-11-1 verkkoarkkitehtuuri. Sen jälkeen, toissijainen ANN yksikkö 3-11-1 kehyksen sitten rakennettiin yhdistää lähdöt kolme datan muunnosyksiköitä. Kaikkiaan kolme tällaista johdetun yksikköä tarvittiin yhdeksän miRNA. Lopuksi, tertiäärinen ANN yksikkö on rakennettu yhdistää lähdöt kolmen edellä mainitun toissijaisen ANN yksikköä. Lopullinen ulostulo on numeerinen ennustaminen kuoleman riskiä potilailla, joilla on NPC perustuu niiden miRNA geeniekspression allekirjoituksia. Erityisesti nimesimme kaikki mallin tuotokset miRNA tulokset, riippumatta niiden alkuperästä alkaen ANN yksiköitä tai komposiitti malleja. Lisäksi yksityiskohtainen kuvaus NNC pienoismallit toimitettiin teksti S1.

Sisäinen ja ulkoinen validointi

holdout ristivalidointi menetelmää käytettiin suorittamaan sisäisiä validointi kullekin ANN yksikön avulla oletusasetukset IPS työkalun. 208 koulutusmalli näytteet jaettiin satunnaisesti kolmeen ryhmään, mukaan lukien koulutus asettaa, todentaminen asettaa, ja testaus asettaa suhteessa 02:01:01. Lineaarinen regressio käytettiin sen arvioimiseksi, vastaavatko koulutuksen ja testaus joukko tuotoksia. Samanlaisia ​​korrelaatiokertoimet koulutus- ja testaus sarjaa edellyttää tietyn ANN yksikkö on hyvä yleistys kyky ja

päinvastoin

. Lisäksi riippumaton joukko, joka koostui 104 näytteiden käytetään suorittamaan ulkoisia validointi ennustuksen tarkkuudet NNC mallin. Lisäksi lineaarinen regressio, toimivan vastaanottimen (ROC) käyrä analyysi suoritettiin myös arvioida ennusteen vaikutuksia UNN, TNN ja NNC malleja käyttämällä ohjelmistoa MedCalc (versio 13.0). Positiivinen ennustearvo (PV) kullakin miRNA pisteet kriteeri laskettiin ja käytettiin arvioitaessa todennäköisyyttä heikkoon ennusteeseen varten 104 potilasta ulkoisen validointi asetettu.

Tilastollinen

Opiskelijan

t

-testi käytettiin vertailuissa kahden selviämistila potilasryhmiä NPC eri näkökohtia, kuten miRNA ilme miRNA pisteet, ja todennäköisyys huonon ennusteen. Analyysi ala ROC-käyrän (AUROC) käytettiin verrattiin kunkin riskin ennusteen suorituskykyä miRNA kymmenien eri miRNA miRNA ilme, ja tulokset saman miRNA, tai lopullinen lähdöt eri ANN malleja [22]. Erot katsottiin tilastollisesti merkitsevä, kun

p

0,05 kaikille tilastollisia menetelmiä käytetään tässä tutkimuksessa.

Tulokset

Yhdeksän miRNA valittiin NPC ennustetekijöitä biomarkkereita päässä 873 mitattuna miRNA

ensin normalisoitui ja käsitellään alkuperäisen miRNA lauseke arvot, jotka on ladattu GEO aineisto geenin ilmentymisen potilailla, joilla on NPC (GSE32960). Seuraavaksi 312 potilaan näytteet jaettiin satunnaisesti mallin koulutus asettaa ja ulkoisen validointi asetettu suhteessa 02:01. Mallissa training set pieni ANN malleja verkon arkkitehtuuri 1-11-1 levitettiin muuntaa miRNA ilmaisun arvot miRNA pistemäärät kullekin miRNA analysoitu. Ohjelmisto GraphPad Prism 6.0 käytettiin sitten laskea Spearman R välillä miRNA tulokset ja potilaan selviytymisen tila kullekin 873 miRNA. Lopuksi, joukossa 873 miRNA, yhdeksän miRNA korkein Spearman R arvot korostettiin: miR-93, miR-29c, miR-34c-5p, miR-202, miR-145-tähti, miR-1292, miR-26a, miR-30e, ja miR-15b (alenevassa järjestyksessä Spearman R-arvo). MIR-93 miRNA pisteet osoittivat paras lineaarinen korrelaatio selviämistila (kuvio 1A, Spearman R = 0,3091). Verrattain, let-7-tähden miRNA pisteet todettiin olevan riippumaton NPC elossaololuku (kuvio 1 B, Spearman R = 0,0075). Tämä tulos vahvistettiin myöhemmin meidän ROC-analyysi (kuvio 1 C). AUROC of ennustemallissa käyttäen miR-93 miRNA tilanne oli huomattavasti korkeampi kuin ennustemallissa käyttäen miRNA pisteet let-7e tähden (

p

= 0,0001). Lisäksi laskimme AUROCs kahdeksan muun miRNA jotka valittiin mahdollisia biomarkkereita NPC ennustetta. Tiukka korrelaatio suhde paljastui arvojen välillä Spearman R ja niille AUROCs (kuvio 1 D). Tämä tulos viittaa laskennassa Spearman R tai AUROC johtaa samanlaisiin tehokkuutta kyky havaita ensisijainen biomerkkiaineissa miRNA microarray kokeiluja.

A) Merkittävä lineaarinen suhde välillä normalisoitu miR-93 tulokset ja potilaan selviytymisen tila. Spearman R = 0,3091;

p

0,0001. B) merkittävää lineaarinen suhde välillä havaittiin normalisoitu let-7e tähden tulokset ja potilaan selviytymisen tila. Spearman R = 0,0075;

p

0,895. C) AUROC vertailu kuoleman riskin ennustemallit käyttäen miR-93 ja anna-7e tähden tulokset. Merkittävä ero havaittiin (

p

= 0,0001). D) Täydellinen lineaarinen korrelaatio suhde välillä havaittiin Spearman R-arvojen ja AUROCs (n = 9).

p

0,0001.

Expression yhdeksän ehdokkaan miRNA biomarkkerit oli epälineaarisesti liittyvät selviämistila

sirontakaavioissa vedettiin havainnollistamaan suhdetta miRNA ilmaisun ja miRNA tulokset (kuvio 2A). Tämän seurauksena ei ole lineaarista suhdetta havaittu välillä miRNA ilmaisun ja miRNA tulokset yhdeksän ehdokasta miRNA biomarkkereita. Koska miRNA pisteet on lineaarinen muuttuja arvioidaan kuoleman riskiä potilailla, joilla on NPC, tällainen tulos osoittaa epälineaarinen suhde miRNA ilmaisun ja potilaan selviytymistä tilat. Tämä havainto merkitsee myös sitä, että suoran välinen-potilaiden vertailu miRNA ilmaisua ei ehkä sovellu ennustamaan ennustetta. Mirna miR-15b käytettiin edelleen tutkia tässä vaiheessa. Mukaan Spearman R-arvo, miR-15b valittiin yhdeksi yhdeksästä edullisen miRNA biomarkkerit osoittaa NPC ennustetta. Kuitenkin, emme löytäneet mitään eroa miR-15b ilmaisun välillä potilasryhmien eri selviytymisen tilat Studentin

t

-testi (kuvio 2B). Sen sijaan meidän menetelmä muuttamassa miRNA geeniekspression arvot osaksi miRNA pisteet meille mahdollisuuden menestyksekkäästi erottaa kahteen potilasryhmät (kuvio 2C). Verrattuna miRNA ilmaisu, miRNA pisteet antoi myönteisen ennustus, joka varmistettiin lisäksi ROC-analyysi (kuvio 2D). Samanlaisia ​​tuloksia havaittiin myös miR-34c-5p, miR-145-tähti, miR-202, ja miR-1292 (kuvio S1).

A) kuva suhde normalisoitu miRNA ilmaisun ja normalisoitu miRNA tulokset valittujen yhdeksän miRNA biomarkkereita. B) ei ole merkittävää eroa ei havaittu normalisoitu miR-15b ilmaisu sairastavien potilaiden välillä eloonjäämisen statukset ”elossa” ja ”kuollut”. Keskiarvo ± SEM;

p

= 0,61. C) Mirna tulokset miR-15b olivat merkittävästi erilaiset, kun potilaalla on selviytymisen statukset ”elossa” ja ”kuolleet” verrattiin. Keskiarvo ± SEM;

p

0,0001. D) AUROC vertailu kuoleman riskin ennustemallit käyttää miRNA ilmaisua ja miRNA tulokset miR-15b. Merkittävä ero havaittiin (

p

= 0,0011).

NNC malli osoitti parasta ennustamista potilaan kuoleman riskin

Tässä tutkimuksessa rakennettiin kolme ANN malleja osoittavat edelleen merkitystä lineaarinen transformaatio miRNA ilmaisun arvojen osaksi miRNA pisteet. UNN malli oli perinteisen ANN malli, jossa on 3-11-1 verkkoon puitteet rakentaa käyttämällä normalisoitua miRNA ilmaus arvoja miR-29c, miR-34c-5p, andmiR-93 tulosuureina. Kanssa samaan verkkoon puitteissa TNN mallia normalisoitua miRNA tulokset näistä kolmesta miRNA tulosuureina. ROC-analyysi paljastaa paremmin ennakoivaa suorituskyky TNN malli kuin UNN mallin (kuvio 3A). Viimeinen ANN malli rakensimme oli NNC malli, joka oli eniten monimutkaisen verkoston puitteissa, joissa 13 ANN yksiköitä kuten kuvassa 3B. NNC mallissa on AUROC on 0,951, mikä osoittaa, tämä malli on paras ennustavan kyky erottaa potilaille, joilla on eri selviytymisen tilat (kuvio 3A). Sisäinen validointi osoittaa, että sillä on hyvät yleistys kyky ennusteen ennustamiseksi potilailla kuin mallinnus opetusjoukolla (kuva 3B).

UNN: transformoimattomasta hermoverkko; TNN: muuttaneet hermoverkko; NNC: neuroverkko Cascade. Tr ja Te edustavat korrelaatiokertoimet välillä tuotoksen muuttuja ja miRNA pisteet opetusjoukolla ja testaus asettaa kussakin ANN yksikössä, vastaavasti.

NNC malli osoitti vahvaa immuniteettia häiriintynyt miRNA ilmaisu

sirontakaavioissa selvemmin näkyviin erotteleva vaikutus eri ANN mallia (kuvio 4A). Verrattuna UNN tai TNN, se on helppo tunnistaa, että NNC oli paras suorituskyky, vaikka kaikki kolme mallia voidaan merkittävästi erottaa sairastavien potilaiden selviytymisen tila ”kuollut” mistä ne joissa on ”elossa” tila (

p

0,0001). Korkea ennustava suorituskyky NNC vahvistettiin, kun testattiin 104 potilasta käytetään ulkoisen validointi (kuva 4B). Edelleen ROC-analyysi osoitti, että ennusteen tarkkuus oli 83% tunnistaa korkean riskin potilaita käyttämällä NNC mallin mukaisesti tässä. Ottaen huomioon erilaiset varsinaisen potilaiden klinikalla, tutkimme myös anti-häiriöitä kyky eri mallien korvaamalla miR-93 miRNA ilmaisu arvoja kuin let-7e tähden. Tässä tutkimuksessa let-7e tähden miRNA pisteet oli osoittanut mitään suhdetta kuoleman riskin potilaiden diagnosoitu NPC (kuvio 1 B ja C). Tuloksena Tämän swap totesi, että UNN eivät selviäisi jos miR-93 ilmentyminen arvot vakavasti häiriintynyt (kuvio 4C). Ei ole mitään merkittävää eroa miRNA tulokset kahden potilasryhmät tässä mallissa (

p

= 0,20). Verrattain, kaksi muuta mallia, varsinkin NNC mallissa oli vielä luotettava suorituskyky erottamaan potilaan tila.

vertaaminen miRNA tulokset tehtiin potilaiden välillä, joilla on erilaiset selviytymisen tilat mallissa harjoitussarjassa (A) ja ulkoinen validointi, joissa on normaali miR-93 ilmentyminen tulo (B) sekä häiriintynyt miR-93 ilmentyminen tulo (C). UNN: transformoimattomasta hermoverkko; TNN: muuttaneet hermoverkko; NNC: neuroverkko cascade.

Lisäksi arvioimme todennäköisyys huono prognosisfor kullekin potilaalle kanssa NPC. Keskimääräinen todennäköisyys potilaalla on selviytymisen tila ”elossa” oli 0,50, mikä osoittaa, että kuoleman riski on edelleen olemassa tässä potilasryhmässä (kuvio 5A). Verrattuna UNN tai TNN, NNC tarkimmin arvioitiin kuoleman riskiä potilailla, joilla on selviytymisen asemaa ”kuollut”, jopa tilanteessa, jossa ilmaus miR-93 oli vakavasti häiriintynyt (kuvio 5B). Tämä havainto viittaa siihen, että NNC malli voi olla vahva immuniteetin kohinan aiheuttamia tuntemattomia tekijöitä.

A) Normaali miR-93 ilme panos. B) Disturbed miR-93 ilme panos. UNN: transformoimattomasta hermoverkko; TNN: muuttaneet hermoverkko; NNC: neuroverkko Cascade. Kaikki tiedot ilmoitetaan keskiarvona ± SEM.

Keskustelu

miRNA ovat laajalti ajatellaan olevan lupaavimpia luokan endogeenisten aineiden kliinistä ja ennustavia biomarkkereita syöpään [23]. Tämä vakaumus on saanut tutkijat eri puolilla maailmaa suorittamaan tautikohtaisia ​​miRNA ilmentymisen profilointi laajaan alalla syöpätutkimuksessa [24], [25]. Tässä tutkimuksessa, pyrimme ensimmäistä kertaa esittää yleinen menetelmä kääntämiseen miRNA ilmaisun tiedot kliinisesti merkittävää kieltä, kuten mahdollisuus ottaa syövän tai huonon ennusteen riski johtuen kärsivät syöpään. Lyhyesti, laskennallinen malli rakennettiin yhdistämällä monet pienet yhden toiminnon ANN yksiköitä jalkauttaminen verkon järjestelmä. Olemme nimenneet sen neuroverkon Cascade. Olemme osoittaneet, että neuroverkko Cascade oli tehokasta tunnistamiseksi kuoleman riskin potilaita diagnosoitu NPC.

Teoreettinen kulmakivi NNC mallin mukaisesti tässä on oletus, että miRNA ilmaisua ei saa lineaarisesti liittynyt kliinisiä fenotyyppi indikaattoreiden . Tämä hypoteesi on kohtuullinen ja realistinen monimutkaisuuden vuoksi miRNA osallistumisen ihmisen biologiassa [16], [26], [27]. Tällä oletuksella, miRNA ilmaisu olisi muutettava lineaarinen muuttuja ennen käyttöä arvioimaan mahdollisuutta kliinisiä seurauksia, kuten onko potilaalla on suuri riski kuolema johtuu syövästä. Tuloksemme voimassaolon hypoteesin. Löysimme epälineaarinen suhde miRNA ilmaisun ja kuoleman riskiä potilailla, joilla on NPC. Tämä havainto merkitsee tärkeyttä miRNA ekspressiotietojen esikäsittelyyn ennen miRNA perustuvia kliinisiä päätöksiä tehdään.

Erilliset perinteisistä Neuroverkkoja aiemmin käytetty syövän diagnosointiin ja hoitoon [19] – [21], NNC teki ei suoraan käyttää miRNA ilmaisua. Pikemminkin NNC ensimmäinen muuntaa miRNA geeniekspression osaksi miRNA pisteet, lineaarinen muuttujan arvioimiseksi kliinisen fenotyypin. Tämän seurauksena Mirna pisteet sijasta miRNA ilmaisua käytettiin valitsemiseksi mahdollisten miRNA biomarkkereita ja lopullista päätöksentekoa. Vuonna NNC mallissa, muutosta ja integrointi tietojen ja lopullisen ennusteen lähtö saavutettiin vaiheittain. Tämä takaa kaiken laskennallinen yksinkertaistaminen mallin toiminta. Toinen etu NNC on, että jokainen miRNA on liitetty itsenäinen kanava tietojen syöttö. Tällaisella suunnittelu, jos enemmän miRNA tarvitaan ennustaa paremmin, voidaan laajentaa laajuuden NNC mallin lisäämättä verkon monimutkaisuuden yhden yksikön. Tämä tekee NNC mallin vapaasti laajennettavissa erityisten vaatimusten mukaisesti. Expression data eri miRNA voidaan pitää monipuolista tietoa vaikuttavat nykyisten tietoa kuoleman riskin potilaita. Tutkimuksessamme sisällyttäminen enemmän miRNA oli johtanut parempaan ennusteita. TNN sisälsi kolme miRNA ja oli AUROC on 0,862. Sen sijaan, NNC malli oli AUROC on 0,951, joka sisälsi 9 miRNA. On kuitenkin myös mahdollista, että suurempi NNC malli NPC ennuste voi sisältää enemmän kuin yhdeksän miRNA. Yhdeksän miRNA käytetty NNC täällä mallin yksinkertaisesti toimi menetelmiä kuva.

ulkoiset validointi tulokset UNN ja TNN osoittavat, että lineaarinen transformaatio miRNA ilmaisun parantaa erityisesti ennustaminen vaikutus mallin. Tärkeää on, tämä menettely ei lisätä määrää miRNA biomarkkereiden tarvitaan, mikä etu käyttää jalkauttaminen rakennetta Anns. Lisäksi huomasimme, että jalkauttaminen ANN perustuslaki oli vakaampi suorituskykyä kuin perinteinen ANN malli, jossa selittämätön vaihtelua miR-93 ilmentyminen aiheutti yhden ANN yksikön toimintahäiriö. Vaikka pysty arvioimaan, missä määrin tällaisten häiriöiden sairauden ennusteeseen todellisissa kliinisissä, on yhä mahdollista, että tämä vaihtelu on tärkeä tekijä, joka estää miRNA-pohjainen ennustemallit käytännössä. Vertailu TNN ja NNC mallit ehdottaa, että sisällyttäminen enemmän miRNA lisäisi luotettavuutta vakiintuneen ANN mallia vastaan ​​meluhaittoja.

Yhteenvetona tutkimuksessamme edellyttäen järkevä ja toteuttamiskelpoinen menetelmä miRNA biomarkkereiden valintaa ja ennustemallin perustaminen . Etuna jalkauttaminen rakentaminen pientä keinotekoisia neuroverkko yksiköitä heijastuu useista seikoista, kuten skaalautuva kapasiteettia ja joustava yhdistelmä miRNA ilmaisun panoksia, parempi ennustus vankka vakautta, ja paremmat mahdollisuudet mielekkäitä mallintamiseen jos määrä miRNA biomarkkereiden on rajoittamaton. Tulevaisuudessa enemmän olisi pyrittävä edelleen vahvistaa soveltamista lähestymistapamme kääntämällä miRNA ilme datan kliinisesti merkittävää tietoa diagnoosia ja ennusteen syövän.

tukeminen Information

Kuva S1.

vertailu miRNA ilmaisun ja miRNA tulokset kahden potilasryhmien eri selviytymisen tilat. A) miR-26a; B) miR-29b; C) miR-30e; D) miR-34c-5p; E) miR-93; F) miR-145-tähden; G) miR-202; H) miR-1292. Kaikki tiedot ilmoitetaan keskiarvona ± SEM.

Doi: 10,1371 /journal.pone.0110537.s001

(TIF)

teksti S1.

Askel-to-askeleelta menettely NNC pienoismallit.

doi: 10,1371 /journal.pone.0110537.s002

(DOCX) B