基于振动光谱学与机器学习表征癌症患者来源的细胞外囊泡
其他定量生物学
2022-02-15 v9 人工智能
机器学习
生物物理
摘要
癌症的早期检测是医学中的一个难题。癌症患者的血清中富含异质性的分泌型脂质结合细胞外囊泡(EVs),其呈现复杂的信息与生物标志物组合,代表其起源细胞,目前正在液体活检与癌症筛查领域被研究。振动光谱学为评估复杂生物样本的结构与生物物理特性提供了非侵入性方法。在本试点研究中,对从9名患者(包括四种不同癌症亚型:结直肠癌、肝细胞癌、乳腺癌和胰腺癌)和5名健康患者(对照组)的血清中提取的EVs进行了多次拉曼光谱测量。作为拉曼分析的补充方法,对四种癌症亚型中的两种进行了FTIR(傅里叶变换红外)光谱测量。AdaBoost随机森林分类器、决策树和支持向量机(SVM)在将光谱频率范围缩减至1800至1940 cm^{-1}并采用50:50训练:测试划分时,以高于90%的分类准确率将癌症EVs的基线校正拉曼光谱与健康对照(18条光谱)区分开来。14条光谱上的FTIR分类准确率为80%。我们的研究结果表明,基础机器学习算法是区分癌症患者EVs与健康患者复杂振动光谱的强大应用智能工具。这些实验方法有望作为人工智能辅助早期癌症筛查的有效且高效的液体活检。
引用
@article{arxiv.2107.10332,
title = {Machine Learning Characterization of Cancer Patients-Derived Extracellular Vesicles using Vibrational Spectroscopies},
author = {Abicumaran Uthamacumaran and Samir Elouatik and Mohamed Abdouh and Michael Berteau-Rainville and Zu-hua Gao and Goffredo Arena},
journal= {arXiv preprint arXiv:2107.10332},
year = {2022}
}
备注
41 pages