Colorectal Cancer Prediction Based on Weighted Gene Co-Expression Network Analysis and Variational Auto-Encoder.
Colorectal Cancer Prediction Based on Weighted Gene Co-Expression Network Analysis and Variational Auto-Encoder.
复制标题
DOI：
10.3390/biom10091207
复制
发表时间：
2020-08-20
期刊：
影响因子：
5.5
通讯作者：
Pan H
中科院分区：
文献类型：
--
作者：
Ai D;Wang Y;Li X;Pan H
有效的特征提取方法是提高预测模型精度的关键。从包括13，487个基因的基因表达综合数据库（GEO）中，我们获得了来自结直肠癌（CRC）样本和正常样本的238个样本的微阵列基因表达数据。对173个样本进行加权基因共表达网络分析（WGCNA），得到12个基因模块。通过计算各模块特征基因与结直肠癌的Pearson相关系数（PCC），得到与结直肠癌高度相关的关键模块。我们筛选枢纽基因的关键模块，考虑模块成员，基因的意义，和模块内的连接。我们选择了10个枢纽基因作为分类器的一种特征。我们对1159个表达显著不同的基因使用变分自动编码器（VAE），并将数据映射到10维表示中，作为癌症分类器的另一种特征。将这两类特征应用于CRC的支持向量机（SVM）分类器。准确度为0.9692，AUC为0.9981。结果表明，两步特征提取方法，其中包括获得枢纽基因的WGCNA和10维表示的变分自动编码器（VAE）的高精度。
An effective feature extraction method is key to improving the accuracy of a prediction model. From the Gene Expression Omnibus (GEO) database, which includes 13,487 genes, we obtained microarray gene expression data for 238 samples from colorectal cancer (CRC) samples and normal samples. Twelve gene modules were obtained by weighted gene co-expression network analysis (WGCNA) on 173 samples. By calculating the Pearson correlation coefficient (PCC) between the characteristic genes of each module and colorectal cancer, we obtained a key module that was highly correlated with CRC. We screened hub genes from the key module by considering module membership, gene significance, and intramodular connectivity. We selected 10 hub genes as a type of feature for the classifier. We used the variational autoencoder (VAE) for 1159 genes with significantly different expressions and mapped the data into a 10-dimensional representation, as another type of feature for the cancer classifier. The two types of features were applied to the support vector machines (SVM) classifier for CRC. The accuracy was 0.9692 with an AUC of 0.9981. The result shows a high accuracy of the two-step feature extraction method, which includes obtaining hub genes by WGCNA and a 10-dimensional representation by variational autoencoder (VAE).
登录
查看更多内容
WGCNA：用于加权相关网络分析的 R 包。
影响因子：
3
作者：
Langfelder P;Horvath S
通讯作者：
Horvath S
影响因子：
--
作者：
Ai L;Tian H;Chen Z;Chen H;Xu J;Fang JY
通讯作者：
Fang JY
影响因子：
5.8
作者：
Benito, M;Parker, J;Marron, JS
通讯作者：
Marron, JS
DOI：
10.1073/pnas.97.18.10101
发表时间：
2000-08-29
影响因子：
11.1
作者：
Alter, O;Brown, PO;Botstein, D
通讯作者：
Botstein, D
影响因子：
9.3
作者：
Cubiella J;Vega P;Salve M;Díaz-Ondina M;Alves MT;Quintero E;Álvarez-Sánchez V;Fernández-Bañares F;Boadas J;Campo R;Bujanda L;Clofent J;Ferrandez Á;Torrealba L;Piñol V;Rodríguez-Alcalde D;Hernández V;Fernández-Seara J;COLONPREDICT study investigators
通讯作者：
COLONPREDICT study investigators