NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özellik seçimi ve makine öğrenme algoritmaları, Tek Nükleotid Polimorfizmleri (SNP'ler) verilerini analiz etmek ve potansiyel hastalık biyobelirteçlerini tanımlamak için kullanılabilir. Tanımlanan biyobelirteçlerin tekrarlanabilirliği, klinik araştırmalar için yararlı olmaları için kritik öneme sahiptir; Bununla birlikte, genotipli bireyler için genotipleme platformları ve seçim kriterleri, tanımlanmış biyobelirteçlerin tekrarlanabilirliğini etkiler. Biyobelirteçlerin tekrarlanabilirliğini değerlendirmek için, Genotipler ve Fenotipler (dbGaP) veritabanından beş SNP veri kümesi topladık ve çeşitli veri entegrasyon stratejilerini araştırdık. Veri kümelerini birleştirmek, sınıflandırma doğruluğunda bir azalmaya yol açabilirken, potansiyel biyobelirteçlerin tekrarlanabilirliğini iyileştirme potansiyeline sahiptir. Anlaşmayı, potansiyel Parkinson hastalığı (PD) biyobelirteçleri olarak tanımlanan SNP'ler açısından farklı stratejiler arasında değerlendirdik. Bulgularımız, tek bir veri kümesinde tanımlanan SNP'lerin ortalama %93'ünün diğer veri kümelerinde tanımlanamadığını göstermektedir. Bununla birlikte, veri kümesi entegrasyonu sayesinde, bu replikasyon eksikliği% 62'ye düşürülür. En az iki kez tespit edilen ve potansiyel olarak yeni PD biyobelirteçleri olarak hizmet edebilecek elli SNP keşfettik. Bu SNP'ler literatürde dolaylı olarak PD ile bağlantılıdır, ancak daha önce PD ile doğrudan ilişkili değildir. Bu bulgular yeni potansiyel araştırma yolları açıyor.
Özgün kaynak özetini okuyun
Feature selection and machine learning algorithms can be used to analyze Single Nucleotide Polymorphisms (SNPs) data and identify potential disease biomarkers. Reproducibility of identified biomarkers is critical for them to be useful for clinical research; however, genotyping platforms and selection criteria for individuals to be genotyped affect the reproducibility of identified biomarkers. To assess biomarkers reproducibility, we collected five SNPs datasets from the database of Genotypes and Phenotypes (dbGaP) and explored several data integration strategies. While combining datasets can lead to a reduction in classification accuracy, it has the potential to improve the reproducibility of potential biomarkers. We evaluated the agreement among different strategies in terms of the SNPs that were identified as potential Parkinson's disease (PD) biomarkers. Our findings indicate that, on average, 93% of the SNPs identified in a single dataset fail to be identified in other datasets. However, through dataset integration, this lack of replication is reduced to 62%. We discovered fifty SNPs that were identified at least twice, which could potentially serve as novel PD biomarkers. These SNPs are indirectly linked to PD in the literature but have not been directly associated with PD before. These findings open up new potential avenues of investigation.
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.