Extracto
Gathering vastos conjuntos de datos de genomas del cáncer requiere procedimientos más eficientes y autónomas para clasificar tipos de cáncer y para descubrir algunos genes esenciales para distinguir los diferentes tipos de cáncer. Debido a que la expresión de proteína es más estable que la expresión de genes, elegimos matriz inversa de proteínas en fase de datos (RPPA), un potente y robusto enfoque de alto rendimiento basado en anticuerpos para la proteómica dirigidos, para llevar a cabo nuestra investigación. En este estudio, hemos propuesto un marco computacional para clasificar las muestras de los pacientes en diez principales tipos de cáncer en base a los datos utilizando el método RPPA (secuencial mínima de optimización) SMO. Se empleó un procedimiento de selección de características cuidado de seleccionar 23 proteínas importantes del total de 187 proteínas por Mrmr (mínimo de redundancia máxima relevancia Selección de características) e IFS (por pasos Selección de características) en el conjunto de entrenamiento. Mediante el uso de las 23 proteínas, clasificamos con éxito los diez tipos de cáncer con un MCC (Matthews coeficiente de correlación) de 0.904 en el conjunto de entrenamiento, evaluadas por 10 veces la validación cruzada, y un MCC de 0.936 en un conjunto de pruebas independientes. Se realizó un análisis adicional de estas 23 proteínas. La mayoría de estas proteínas pueden presentar las características del cáncer; Chk2, por ejemplo, juega un papel importante en la proliferación de células cancerosas. Nuestro análisis de estas 23 proteínas da credibilidad a la importancia de estos genes como indicadores de clasificación de cáncer. También creemos que nuestros métodos y los resultados pueden arrojar luz sobre los descubrimientos de biomarcadores específicos de diferentes tipos de cánceres
Visto:. Zhang PW, Chen L, T Huang, Zhang N, Kong XY, Cai YD (2015) La clasificación de diez tipos de cánceres principales basadas en los perfiles de proteínas de matriz en fase inversa. PLoS ONE 10 (3): e0123147. doi: 10.1371 /journal.pone.0123147
Editor Académico: Lukasz Kurgan, Universidad de Alberta, Canada