Published January 1, 2023
| Version v1
Publication
Deep learning facilitates multi-data type analysis and predictive biomarker discovery in cancer precision medicine
Creators
- 1. Siriraj Hospital
- 2. Mahidol University
- 3. Turku Centre for Computer Science
- 4. University of Turku
- 5. Åbo Akademi University
- 6. Örebro University
Description
Cancer progression is linked to gene-environment interactions that alter cellular homeostasis. The use of biomarkers as early indicators of disease manifestation and progression can substantially improve diagnosis and treatment. Large omics datasets generated by high-throughput profiling technologies, such as microarrays, RNA sequencing, whole-genome shotgun sequencing, nuclear magnetic resonance, and mass spectrometry, have enabled data-driven biomarker discoveries. The identification of differentially expressed traits as molecular markers has traditionally relied on statistical techniques that are often limited to linear parametric modeling. The heterogeneity, epigenetic changes, and high degree of polymorphism observed in oncogenes demand biomarker-assisted personalized medication schemes. Deep learning (DL), a major subunit of machine learning (ML), has been increasingly utilized in recent years to investigate various diseases. The combination of ML/DL approaches for performance optimization across multi-omics datasets produces robust ensemble-learning prediction models, which are becoming useful in precision medicine. This review focuses on the recent development of ML/DL methods to provide integrative solutions in discovering cancer-related biomarkers, and their utilization in precision medicine.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يرتبط تطور السرطان بتفاعلات الجينات والبيئة التي تغير التوازن الخلوي. يمكن أن يؤدي استخدام المؤشرات الحيوية كمؤشرات مبكرة لمظاهر المرض وتطوره إلى تحسين التشخيص والعلاج بشكل كبير. وقد مكنت مجموعات بيانات omics الكبيرة التي تم إنشاؤها بواسطة تقنيات التنميط عالية الإنتاجية، مثل المصفوفات الدقيقة، وتسلسل الحمض النووي الريبي، وتسلسل بندقية الجينوم الكامل، والرنين المغناطيسي النووي، وقياس الطيف الكتلي، من اكتشافات المؤشرات الحيوية القائمة على البيانات. يعتمد تحديد السمات المعبر عنها بشكل تفاضلي كعلامات جزيئية تقليديًا على التقنيات الإحصائية التي غالبًا ما تقتصر على النمذجة البارامترية الخطية. يتطلب عدم التجانس والتغيرات اللاجينية والدرجة العالية من تعدد الأشكال التي لوحظت في الجينات السرطانية مخططات الأدوية الشخصية بمساعدة المؤشرات الحيوية. تم استخدام التعلم العميق (DL)، وهو وحدة فرعية رئيسية للتعلم الآلي (ML)، بشكل متزايد في السنوات الأخيرة للتحقيق في الأمراض المختلفة. ينتج عن الجمع بين مناهج ML/DL لتحسين الأداء عبر مجموعات البيانات متعددة الأوميكس نماذج تنبؤ قوية للتعلم الجماعي، والتي أصبحت مفيدة في الطب الدقيق. تركز هذه المراجعة على التطوير الأخير لطرق غسل الأموال/غسل الأموال لتوفير حلول تكاملية في اكتشاف المؤشرات الحيوية المرتبطة بالسرطان، واستخدامها في الطب الدقيق.Translated Description (French)
La progression du cancer est liée aux interactions gène-environnement qui modifient l'homéostasie cellulaire. L'utilisation de biomarqueurs comme indicateurs précoces de la manifestation et de la progression de la maladie peut améliorer considérablement le diagnostic et le traitement. Les grands ensembles de données omiques générés par les technologies de profilage à haut débit, telles que les microréseaux, le séquençage d'ARN, le séquençage de fusil de chasse à génome entier, la résonance magnétique nucléaire et la spectrométrie de masse, ont permis des découvertes de biomarqueurs basées sur les données. L'identification de traits exprimés de manière différentielle en tant que marqueurs moléculaires s'est traditionnellement appuyée sur des techniques statistiques qui sont souvent limitées à la modélisation paramétrique linéaire. L'hétérogénéité, les changements épigénétiques et le degré élevé de polymorphisme observés chez les oncogènes exigent des schémas de médicaments personnalisés assistés par biomarqueurs. L'apprentissage profond (DL), une sous-unité majeure de l'apprentissage automatique (ML), a été de plus en plus utilisé ces dernières années pour enquêter sur diverses maladies. La combinaison d'approches ML/DL pour l'optimisation des performances à travers des ensembles de données multi-omiques produit des modèles de prédiction d'apprentissage d'ensemble robustes, qui deviennent utiles en médecine de précision. Cette revue se concentre sur le développement récent de méthodes de ML/DL pour fournir des solutions intégratives dans la découverte de biomarqueurs liés au cancer, et leur utilisation en médecine de précision.Translated Description (Spanish)
La progresión del cáncer está relacionada con las interacciones gen-ambiente que alteran la homeostasis celular. El uso de biomarcadores como indicadores tempranos de la manifestación y progresión de la enfermedad puede mejorar sustancialmente el diagnóstico y el tratamiento. Los grandes conjuntos de datos ómicos generados por tecnologías de perfiles de alto rendimiento, como micromatrices, secuenciación de ARN, secuenciación de escopeta de genoma completo, resonancia magnética nuclear y espectrometría de masas, han permitido el descubrimiento de biomarcadores basados en datos. La identificación de rasgos expresados diferencialmente como marcadores moleculares se ha basado tradicionalmente en técnicas estadísticas que a menudo se limitan al modelado paramétrico lineal. La heterogeneidad, los cambios epigenéticos y el alto grado de polimorfismo observados en los oncogenes exigen esquemas de medicación personalizados asistidos por biomarcadores. El aprendizaje profundo (DL), una subunidad importante del aprendizaje automático (ML), se ha utilizado cada vez más en los últimos años para investigar diversas enfermedades. La combinación de enfoques de ML/DL para la optimización del rendimiento en conjuntos de datos multiómicos produce sólidos modelos de predicción de aprendizaje conjunto, que se están volviendo útiles en la medicina de precisión. Esta revisión se centra en el reciente desarrollo de métodos de LA/DL para proporcionar soluciones integradoras en el descubrimiento de biomarcadores relacionados con el cáncer y su utilización en medicina de precisión.Additional details
Additional titles
- Translated title (Arabic)
- يسهل التعلم العميق تحليل أنواع البيانات المتعددة واكتشاف المؤشرات الحيوية التنبؤية في الطب الدقيق للسرطان
- Translated title (French)
- L'apprentissage profond facilite l'analyse de type multi-données et la découverte de biomarqueurs prédictifs en médecine de précision du cancer
- Translated title (Spanish)
- El aprendizaje profundo facilita el análisis de tipos de datos múltiples y el descubrimiento predictivo de biomarcadores en la medicina de precisión contra el cáncer
Identifiers
- Other
- https://openalex.org/W4318561805
- DOI
- 10.1016/j.csbj.2023.01.043
References
- https://openalex.org/W1980541833
- https://openalex.org/W2055287622
- https://openalex.org/W2069484894
- https://openalex.org/W2171955717
- https://openalex.org/W2472587927
- https://openalex.org/W2590077393
- https://openalex.org/W2608353599
- https://openalex.org/W2625768267
- https://openalex.org/W2767582147
- https://openalex.org/W2807463161
- https://openalex.org/W2888083209
- https://openalex.org/W2888484772
- https://openalex.org/W2892587974
- https://openalex.org/W2897240599
- https://openalex.org/W2897821359
- https://openalex.org/W2899057363
- https://openalex.org/W2919412094
- https://openalex.org/W2947607756
- https://openalex.org/W2949819623
- https://openalex.org/W2951209146
- https://openalex.org/W2964962196
- https://openalex.org/W2971053592
- https://openalex.org/W2981126172
- https://openalex.org/W2981742563
- https://openalex.org/W2982082445
- https://openalex.org/W2982792801
- https://openalex.org/W2991736596
- https://openalex.org/W2994716258
- https://openalex.org/W2998322952
- https://openalex.org/W2998571806
- https://openalex.org/W2998630822
- https://openalex.org/W3009210879
- https://openalex.org/W3009212885
- https://openalex.org/W3014321973
- https://openalex.org/W3016876724
- https://openalex.org/W3024899322
- https://openalex.org/W3027105467
- https://openalex.org/W3027270940
- https://openalex.org/W3027590541
- https://openalex.org/W3034942609
- https://openalex.org/W3037624696
- https://openalex.org/W3042995081
- https://openalex.org/W3046501222
- https://openalex.org/W3080208127
- https://openalex.org/W3087245954
- https://openalex.org/W3089891425
- https://openalex.org/W3090495773
- https://openalex.org/W3092398080
- https://openalex.org/W3094548069
- https://openalex.org/W3121997355
- https://openalex.org/W3122047039
- https://openalex.org/W3122914802
- https://openalex.org/W3123212791
- https://openalex.org/W3126585817
- https://openalex.org/W3127347132
- https://openalex.org/W3130476209
- https://openalex.org/W3131988812
- https://openalex.org/W3137962378
- https://openalex.org/W3138022488
- https://openalex.org/W3140743785
- https://openalex.org/W3140854437
- https://openalex.org/W3155739706
- https://openalex.org/W3161558656
- https://openalex.org/W3162706134
- https://openalex.org/W3163490502
- https://openalex.org/W3163514105
- https://openalex.org/W3165031368
- https://openalex.org/W3165817765
- https://openalex.org/W3170986249
- https://openalex.org/W3171807193
- https://openalex.org/W3176777156
- https://openalex.org/W3181637650
- https://openalex.org/W3192984034
- https://openalex.org/W3194333979
- https://openalex.org/W3204312334
- https://openalex.org/W3209416355
- https://openalex.org/W3213224786
- https://openalex.org/W3215409948
- https://openalex.org/W3215550924
- https://openalex.org/W3215630568
- https://openalex.org/W4200294085
- https://openalex.org/W4210311596
- https://openalex.org/W4210856803
- https://openalex.org/W4211219865
- https://openalex.org/W4220713843
- https://openalex.org/W4220781430
- https://openalex.org/W4225746601
- https://openalex.org/W4229590462
- https://openalex.org/W4283658271
- https://openalex.org/W4291288469
- https://openalex.org/W4306404621
- https://openalex.org/W4307565777