Predicting Parkinson disease related genes based on PyFeat and gradient boosted decision tree.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Parkinson hastalığı (PD) ile ilgili genleri belirlemek, biyomedikal analizde aktif bir araştırma konusudur ve bu da tanı ve tedavide kritik bir rol oynar. Son zamanlarda, birçok çalışma hastalığa bağlı genleri tahmin etmek için farklı teknikler önermiştir. Bununla birlikte, bu tekniklerden birkaçı PD gen tahmini için tasarlanmıştır veya geliştirilmiştir. Bu PD tekniklerinin çoğu, sadece protein genlerini tanımlamak ve biyolojik süreçlerde ve hastalıkların dönüşümü ve gelişmesinde önemli bir rol oynayan uzun kodlamayan (incRNA) genleri atmak için geliştirilmiştir. Bu makale, erken tanıya yardımcı olabilecek PD ile ilgili protein ve ncRNA genlerini tanımlamak için yeni bir tahmin sistemi önermektedir. İlk olarak, genleri Kaliforniya Santa Cruz Üniversitesi (UCSC) genom tarayıcısından DNA FASTA dizilerine işledik ve fazlalıkları kaldırdık. İkincisi, PyFeat yöntemini kullanarak DNA FASTA dizilerinin bazı önemli özelliklerini AdaBoost ile özellik seçimi olarak çıkardık. Seçilen bu özellikler, bazı son teknoloji özellik çıkarma tekniklerinden çıkarılan özelliklerle karşılaştırıldığında umut verici sonuçlar elde etti. Son olarak, özellikler farklı test edilmiş vakaları teşhis etmek için gradyan artırılmış karar ağacına (GBDT) beslendi. Önerilen sistemin performansını değerlendirmek için yedi performans metrikleri kullanıldı. Önerilen sistem ortalama %78,6 doğruluk elde etti, eğrinin altındaki alan %84,5'e, hassas geri çağırma (AUPR) altındaki alan %85,3'e, F1-score %78,3'e, Matthews korelasyon katsayısı (MCC) 0,575'e, duyarlılık (SEN) %77,1'e, özgüllük (SPC) ise %80,2'ye eşit. Deneyler, diğer sistemlerle karşılaştırıldığında umut verici sonuçlar göstermektedir. Tahmin edilen en üst düzey protein ve lncRNA genleri bir literatür incelemesine dayanarak doğrulanır.

Özgün kaynak özetini okuyun

Identifying genes related to Parkinson's disease (PD) is an active research topic in biomedical analysis, which plays a critical role in diagnosis and treatment. Recently, many studies have proposed different techniques for predicting disease-related genes. However, a few of these techniques are designed or developed for PD gene prediction. Most of these PD techniques are developed to identify only protein genes and discard long noncoding (lncRNA) genes, which play an essential role in biological processes and the transformation and development of diseases. This paper proposes a novel prediction system to identify protein and lncRNA genes related to PD that can aid in an early diagnosis. First, we preprocessed the genes into DNA FASTA sequences from the University of California Santa Cruz (UCSC) genome browser and removed the redundancies. Second, we extracted some significant features of DNA FASTA sequences using the PyFeat method with the AdaBoost as feature selection. These selected features achieved promising results compared with extracted features from some state-of-the-art feature extraction techniques. Finally, the features were fed to the gradient-boosted decision tree (GBDT) to diagnose different tested cases. Seven performance metrics were used to evaluate the performance of the proposed system. The proposed system achieved an average accuracy of 78.6%, the area under the curve equals 84.5%, the area under precision-recall (AUPR) equals 85.3%, F1-score equals 78.3%, Matthews correlation coefficient (MCC) equals 0.575, sensitivity (SEN) equals 77.1%, and specificity (SPC) equals 80.2%. The experiments demonstrate promising results compared with other systems. The predicted top-rank protein and lncRNA genes are verified based on a literature review.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.