بررسی پروفایل بیانی پلاکت‌های آموزش‌دیدۀ توموری به عنوان نشانگر زیستی برای پیش‌آگهی و تشخیص سرطان

به این دلیل که بیوپسی مایع نسبت به بیوپسی بافتی ایمن‌تر و کم‌تهاجمی‌تر است، در سال‌های گذشته بررسی زیست‌نشانگر‌های موجود در آن برای پیش‌آگهی و تشخیص زود‌هنگام سرطان حائز اهمیت شده‌است. بررسی تغییر پروفایل بیانی پلاکت‌های آموزش‌دیدۀ توموری موجود در بیوپسی مایع می‌تواند به عنوان یکی از زیست‌نشانگرها مورد استفاده قرار‌گیرد. استفاده از مدل‌های یادگیری ماشین دسته‌بندی با توجه به فضای ویژگی بر‌گرفته از داده‌های بیانی این پلاکت‌ها، توانایی پیش‌آگهی و تشخیص زود‌هنگام سرطان را به ما داده است. در این پژوهش میزان صحت و خطای هفت مدل دسته‌بندی در دو حالت دو‌دسته برای تشخیص نمونه‌های سالم و سرطانی و چند‌دسته برای تشخیص نمونه‌های سالم و انواع سرطان‌ها از یکدیگر مورد ارزیابی قرار‌گرفتند. این مدل‌ها روی پروفایل بیانی 2000 ژن ‌پلاکت های آموزش دیده توموری مربوط به بیمارانی با سرطان‌های سینه، کبد، روده، مغز، پانکراس و ریه و همینطور پروفایل بیانی این ژن‌ها در 55 فرد سالم بررسی شدند. داده های مورد استفاده سری gse68086 هستند که از پایگاه داده geo دانلود شدند. همچنین روی این ژن‌ها با روش preranked gsea تجزیه‌و‌تحلیل غنی‌سازی مسیر صورت گرفت. نتایج نشان داد مدل ماشین بردارهای پشتیبان با کرنل خطی و غیر خطی از بین مدل‌های دو‌دسته با میانگین خطای 0.05 و مدل ماشین بردارهای پشتیبان خطی از بین مدل‌های چند‌دسته با میانگین خطای 0.33 نرخ خطای کمتری دارند. به طور‌کلی نتایج حاصل دسته‌بندی پروفایل بیانی ‌پلاکت های آموزش دیده توموری و تجزیه‌و‌تحلیل غنی‌سازی مسیرنشان‌دهندۀ این است که پروفایل بیانی ‌پلاکت های آموزش دیده توموری را می‌توان به عنوان کاندید نشانگر زیستی در‌‌نظر‌گرفت.

expression profile of tumor educated platelets as biomarkers for diagnosis and early detection of cancer

since liquid biopsy is less invasive than tissue biopsy, studies on liquid biopsy biomarkers for the early detection of cancer and diagnosis are taken into consideration. expression profiles of tumor-educated platelets (tep) in liquid biopsy can be used as one of the biomarkers. the use of classification machine learning models, according to the features space derived from the expression data of teps, has given us the ability to predict cancer. in this study, we evaluate different types of classification models namely svm, lda, logistic regression, boosting, classification tree, and random forest, on the expression profile of teps in 230 patients with breast, liver, colorectal, brain, pancreatic, and lung cancers, as well as the expression profile of these genes in 55 healthy individuals. these models were examined on the expression profile of 2000 high variance selected genes. also, pathway enrichment analysis was performed on these genes by the gsea preranked method. the results showed that linear svm and polynomial svm models have lower error rates than two-class models and linear svm models have lower error rates than multi-class models. in general, the results of tep expression profile classification and pathway enrichment analysis indicate that the expression profile of teps can be considered as candidate biomarkers.