利用机器学习驱动的网络方法揭示急性髓系和淋巴母细胞白血病的低维 miR 特征
定量方法
2015-12-23 v3
摘要
不同急性白血病之间复杂的表型差异无法通过分析单个分子（如 miR）的表达水平来完全捕捉，而是需要对大量 miR 集合进行系统分析。虽然主成分分析（PCA）是分析此类数据集的流行方法，但该方法并非专为最优区分不同表型而设计。此外，PCA 和其他低维表示方法会产生所有被测 miR 的线性或非线性组合。我们在 AML、B-ALL 和 T-ALL 细胞系及患者 RNA 样本中测量了全球人类 miR 表达。通过系统地将支持向量机应用于以二联体和三联体形式选取的所有被测 miR，我们利用细胞系数据构建了 miR 网络，并用原代患者样本验证了我们的发现。所有协调转录的 miR-23a 簇成员（也包括 miR-24 和 miR-27a），已知其作为急性白血病的肿瘤抑制因子，出现在以 AML、B-ALL 和 T-ALL 为中心的网络中。随后的 qRT-PCR 分析显示，在以 B-ALL 为中心的网络中连接度最高的 miR（即 miR-708）在 B-ALL 中高度且特异性表达，表明 miR-708 可能作为 B-ALL 的生物标志物。该方法具有系统性、定量性、可扩展性和无偏性。我们的方法产生的不是单一特征，而是一个反映生物信号通路冗余性的特征网络。网络表示允许专家对所有特征进行可视化分析，并便于未来整合额外信息。此外，每个特征仅涉及少量 miR（如二联体和三联体），非常适合通过实验室实验进行深入验证，例如旨在驱动白血病细胞存活、增殖和分化变化的功能缺失和功能获得实验。
引用
@article{arxiv.1401.1798,
title = {Uncovering low-dimensional, miR-based signatures of acute myeloid and lymphoblastic leukemias with a machine-learning-driven network approach},
author = {Julián Candia and Srujana Cherukuri and Yin Guo and Kshama A. Doshi and Jayanth R. Banavar and Curt I. Civin and Wolfgang Losert},
journal= {arXiv preprint arXiv:1401.1798},
year = {2015}
}
备注
34 pages, 12 figures (contains Supporting Information). To appear in Convergent Science Physical Oncology