Discriminating early- and late-stage cancers using multilayer perceptron

Kanser hastaları için uygun tedavi edici stratejiler ve prognostik tahminler geliştirmek için kanser evrelerinin sınıflandırılması büyük önem taşır. Biyobelirteçlerin içerdiği genlerin belirlenmesi, kanserin erken aşamalardan geç aşamalara ilerlemesini izlemede son derece önemlidir. Erken ve geç evre kanserler arasında ayrım yapmak amacıla genomik karakterizasyonlara dayanan sınıflandırıcılar oluşturmak için çeşitli standart yapay öğrenme algoritmaları benimsenebilir. Bu algoritmalar sınırlı bilgi çıkarma kabiliyetine sahiptir, ancak yüksek boyutlu genomik verilerin güçlü bir şekilde ilişkili doğası nedeniyle kabul edilebilir tahmin doğruluklarına sahiptir. Bu nedenle, bu biyolojik süreçlerle ilgili moleküler mekanizmaları tanımlamak için, yolakları/gen kümelerini öğrenme modelimize entegre eden bir algoritma önerdik. Bu tezde, kanserlerin erken ve geç aşamalarını ayırt etmek için çok sayıda yolak /gen kümesi üzerinde bir "çok katmanlı perseptron" yaklaşımı geliştirdik. Bu çalışmanın temel amacı, kanserin oluşumu ve ilerlemesi üzerinde önemli bir etkiye sahip olan biyobelirteçleri belirlemek ve daha iyi veya kabul edilebilir bir tahmin performansı elde etmekti. Ayrıca, çok katmanlı perseptron modelimizin performansını, iki farklı deneyde ve 20 kanser tipinde mevcut üç farklı yapay öğrenme algoritması olan rassal orman, destek vektör makineleri ve çoklu çekirdek öğrenimi ile karşılaştırdık. Çok katmanlı perceptron metodumuz diğer temel algoritmalardan daha iyi performans gösterdi veya kıyaslanabilir sonuçlar elde etti. Sonuçlar, algoritmamızın kanser gelişiminin temel mekanizmalarına ilişkin anlamlı ve hastalığa özgü bilgileri çıkarabildiğini gösterdi.