近年来的新发现已经确定了几个导致乳腺癌风险。能够合并遗传(SNPs)和非遗传风险因素的方法可以识别出罹患癌症的高风险个体,并有助于开发适应风险的筛查程序,以更好地预防癌症。这可能会提高BC筛查的整体效果,并导致临床资源的有效分配。
乳腺癌风险预测的一个主要挑战是开发一种模型,将所有已知和新发现的风险因素结合起来,同时考虑它们之间的相互作用。东芬兰大学临床医学、病理学和法医学研究所开发的机器学习模型能够识别相互作用的遗传变异和乳腺癌的人口统计学风险因素的组合,这可以有效地预测乳腺癌风险。
的机器学习该方法是基于梯度树增强法和自适应迭代搜索算法。最佳识别特征,即相互作用的SNPs +人口统计学风险因素,被用来预测未知个体的乳腺癌风险。这项分析是根据Kuopio乳腺癌项目(KBCP)的数据进行的。
有趣的是,SNPs的基因相互作用图,发现与人口统计学危险因素相互作用,指出了突出的雌激素相关网络(ESR1网络)。基因相互作用图谱还指向FGFR2基因,这是非遗传性乳腺癌中最重要的遗传易感性位点之一。
由于癌症是一种由生活方式、遗传和环境因素引起的多因素疾病,对遗传变异来源的个体分析可能不足以全面了解疾病风险。Mannermaa癌症研究实验室专攻人工智能和机器学习的博士后哈米德·贝拉万(Hamid Behravan)总结道,在Kuopio,我们正在开发创新的机器学习方法,以结合不同的数据来源,比如乳房x线照片特征。
研究结果发表在同行评议的杂志上科学报告.
来源:东芬兰大学