Abstract

Os microRNAs (miRNAs) foram mostrados para ser promissor biomarcadores na predição de prognóstico do câncer. No entanto, o processamento e modelagem de dados de expressão de miRNA inadequada ou mal otimizado pode afetar negativamente o desempenho de previsão. Aqui, propomos uma solução holística para a seleção biomarcador miRNA e construção de modelos de previsão. Este trabalho introduz o uso de uma cascata de rede neural, uma constituição em cascata de unidades de redes neurais artificiais pequenas, para avaliar a expressão miRNA e evolução de pacientes. A miRNA microarray conjunto de dados de carcinoma da nasofaringe foi recuperado do Gene Expression Omnibus para ilustrar a metodologia. Os resultados indicaram uma relação não linear entre a expressão de miRNA e risco de morte do paciente, o que implica que a comparação directa dos valores de expressão é inadequada. No entanto, esse método realiza a transformação de valores de expressão de miRNA em uma pontuação miRNA, que linearmente mede o risco de morte. correlação de Spearman foi calculado entre os escores de miRNA e status de sobrevivência para cada miRNA. Finalmente, uma assinatura de nove miRNA foi otimizado para prever o risco de morte depois de carcinoma nasofaríngeo através da criação de uma cascata de rede neural que consiste em 13 unidades de redes neurais artificiais. Área sob a ROC foi de 0,951 para o conjunto de validação interna e tinha uma precisão da previsão de 83% para o conjunto de validação externa. Em particular, a cascata da rede neural estabelecida verificou-se ter uma forte imunidade contra interferências de ruído que perturba os valores de expressão de miARN. Este estudo fornece um método eficiente e fácil de usar que visa maximizar a aplicação clínica dos miRNAs na avaliação de risco prognóstico de pacientes com câncer

Citation:. Zhu W, Kan X (2014) Rede Neural Cascade Otimiza MicroRNA Seleção biomarcador para nasofaríngea cancro do prognóstico. PLoS ONE 9 (10): e110537. doi: 10.1371 /journal.pone.0110537

editor: Raffaele A. Calogero, Universidade de Torino, Itália |

Recebido: 07 de agosto de 2014; Aceito: 15 de setembro de 2014; Publicação: 13 de outubro de 2014

Direitos de autor:. © 2014 Zhu, Kan Este é um artigo de acesso aberto distribuído sob os termos da Licença Creative Commons Attribution, que permite uso irrestrito, distribuição e reprodução em qualquer meio , desde que o autor original ea fonte sejam creditados

Data Availability:. os autores confirmam que todos os dados subjacentes às conclusões estão totalmente disponíveis sem restrições. Todos os dados relevantes estão dentro do papel e seus arquivos de suporte de informação

Financiamento:. Este trabalho foi financiado pela National Science Foundation Natural da China (No. 31.301.136). O financiador não teve nenhum papel no desenho do estudo, recolha e análise de dados, decisão de publicar ou preparação do manuscrito

CONFLITO DE INTERESSES:.. Os autores declararam que não existem interesses conflitantes

Introdução

Os microRNAs (miRNAs) pertencem a uma classe de pequenos (± 22 nt) moléculas de RNA não-codificantes endógenos. MiRNAs desempenham um papel vital na regulação da expressão de mRNA e os níveis de proteína de fine-tuning posttranscriptionally [1], [2]. evidência substancial tem mostrado que miRNAs podem servir como alvos terapêuticos promissores para o tratamento do câncer clínica no futuro próximo [3] – [5]. Enquanto isso, as potenciais aplicações clínicas de biomarcadores de diagnóstico e prognóstico são também amplamente estudadas e sugerem fortemente a utilidade da medição e circulando miARNs tecido de biopsia [6] – [8]. Devido às inovações tecnológicas contínuas nos últimos anos, os métodos de alto rendimento, como miRNA microarray foram bem sucedidos na identificação de potenciais biomarcadores de milhares de miRNAs maduros em seres humanos [9], [10]. Como resultado, estes esforços têm conduzido a uma acumulação crescente de dados de expressão de miARN no banco de dados [11] Gene Expression Omnibus pública (GEO).

detecção simultânea de diversos miARNs gera um grande conjunto de dados de dados biológicos que exige análise computacional significativa. Embora as atuais tecnologias de detecção de miRNA já estão muito bem estabelecida, ainda não há um método amplamente reconhecido para analisar a enorme quantidade de dados obtidos por métodos de alto rendimento [12]. A grande maioria dos estudos anteriores assume uma relação linear entre a expressão do fenótipo da doença e miARN [13] – [15]. Isto levou à ampla aplicação de métodos estatísticos simples, como estudante de

t

-teste ou o teste de análise de variância para comparação entre grupos de valores de expressão de miRNA. No entanto, esta hipótese não foi especificamente testado, ou mostrado para ser válido. Alternativamente, em vez de uma relação linear, especulamos que uma associação não-linear pode ser possível entre a expressão de miARN e fenótipo da doença. Esta suposição é baseada principalmente no conhecimento de que miRNAs desempenham papéis multifacetados e complexos em muitos processos biológicos [16]. Se a relação não linear é válida, pode implicar que o processamento de dados de expressão miRNA tradicional, análise e modelagem com métodos lineares são insuficientes.

A selecção abusiva de métodos estatísticos ou de modelagem pode prejudicar o desempenho potencial dos miRNAs como biomarcadores e resultar em mau discriminação dos pacientes [17], [18]. Propomos uma forma viável para resolver este problema através de transformação de valores de expressão de miRNA em uma variável linear antes de estabelecer um modelo de diagnóstico ou prognóstico. Usando este método proposto, o presente estudo tem como objetivo fornecer uma solução holística e genérica para a seleção biomarcador miRNA e construção modelo de previsão. Nos últimos anos, modelagem artificial rede neural (RNA) tem sido aplicada com êxito no diagnóstico do cancro e de gestão [19] – [21]. Aqui, um método de modelagem nova rede neural artificial (RNA) foi criado para o efeito: a cascata de rede neural (NNC), uma cascata extensível e piramidal de unidades ANN pequenas. Cada unidade ANN pequena tem arquitetura de rede simples e se limita a lidar com apenas uma tarefa, tais como transformação de dados, integração de dados, ou a saída de previsão. Em teoria, um modelo NNC pode, simultaneamente, acolher e processar grandes quantidades de informação em paralelo. Mesmo se uma única entrada tem um fraco desempenho preditivo, contanto que a informação de entrada é dada suficiente, uma previsão exacta último é garantida. O número de parâmetros de entrada incluídos no modelo depende dos requisitos de precisão colocados na previsão final.

Para melhor ilustrar o nosso método, foi desenvolvido um modelo prognóstico NNC para avaliação do risco de morte em pacientes com carcinoma da nasofaringe (NPC) utilizando um conjunto de dados de expressão de miARN recuperado do GEO (conjunto de dados ID: GSE32960). Nossos resultados sugerem uma associação não-linear entre a expressão de miRNA e o risco de morte dos pacientes diagnosticados com NPC. O modelo NNC estabelecida mostrou bom desempenho previsão, identificando com precisão pacientes de alto risco, mesmo no caso em que os níveis de expressão de miRNA foram perturbados artificialmente. Em resumo, esse esforço tem como objectivo aumentar analiticamente a utilidade de miRNAs como biomarcadores clínicos para alcançar um diagnóstico preciso e tratamento do câncer individualizada. Nossa análise do estudo de caso de sucesso de NPC prognóstico usando o novo modelo NNC sugere que este modelo também será aplicável ao diagnóstico e prognóstico de outras doenças humanas

Materiais e Métodos

Os dados de expressão miRNA:. Aquisição e pré-processamento de

O conjunto de dados de expressão miRNA para pacientes com NPC (GSE32960) foi recuperado do GEO. Apenas as amostras NPC 312 foram incluídas em nosso estudo. Baixamos os valores de expressão microarray pré-processados ​​para 873 miRNAs para cada amostra e gravou o status de sobrevivência (viva: 0 ou morto: 1) do paciente correspondente. Os valores de expressão microarray original de cada miRNA foram então normalizados como números entre 0 e 1, calculado abaixo:

MAX_VALUE e MIN_VALUE são os valores originais de expressão miRNA máximos e mínimos em toda a coleta de amostras, respectivamente. Depois disso, as amostras foram divididas aleatoriamente em dois grupos: um conjunto de treinamento do modelo (n = 208) e um conjunto externo de validação (n = 104). Para amostras no conjunto de treinamento, o software ANN STATISTICA Redes Neurais (SNN, lançamento 4.0E) foi usado para construir unidades de RNA, que transformam os valores de expressão de miRNA em pontuações miRNA para cada um dos 873 miRNAs. As unidades de RNA tem três camadas: a variável de entrada, variáveis ​​de saída, e uma função para conectar os dois. Foram utilizados os valores de expressão miRNA normalizados importados como a variável de entrada e status de sobrevivência como a variável de saída. Para a camada do meio, a versão avançada do Problem Solver Intelligent ferramenta (IPS) foi aplicado para construir uma função de base radial (RBF) -Ann com 11 unidades escondidas. valores de saída de rede foram referidos como dezenas de miRNA, que foram pensados ​​para ser associado linearmente ao risco de morte dos pacientes. O coeficiente de correlação de Spearman não paramétrica (Spearman R) foi calculado para avaliar a relação linear entre os miRNA normalizados marcar e status de sobrevivência para cada paciente.

seleção biomarcador miRNA e construção de modelos ANN

biomarcadores putativos miRNAs foram classificados e seleccionados com base em valores de Spearman. Neste estudo, optou-se por manter apenas os nove miRNAs com os maiores valores de R e eliminará as outras. Os valores de expressão de miRNA normalizados e dezenas de miRNA normalizados de três miRNAs com os melhores valores Spearman R (miR-29C, miR-34c-5p, e miR-93) foram usados ​​para construir os modelos de redes neurais não transformadas (UNN) e transformado rede neural (TNN), respectivamente. Ambos os modelos tinham a mesma arquitetura de rede (3-11-1). Todas as pontuações de miRNA dos nove miRNAs foram então usados ​​para a construção do novo modelo de RNA, a qual chamamos a cascata de rede neural (NNC). Um NNC é composto de muitas unidades Ann. Cada unidade ANN é um modelo ANN independente. Num modelo de NNC, foram usadas as nove unidades ANN primários para os seleccionados nove miARNs para transformá-los em relação aos níveis de expressão de miARN em pontuações de miARN. Cada unidade possui uma arquitetura 1-11-1 rede. Depois disso, uma unidade de RNA derivado com uma estrutura 3-11-1 foi então construído para integrar as saídas dos três unidades de transformação de dados. foram necessárias um total de três dessas unidades secundárias para os nove miARNs. Finalmente, uma unidade de RNA terciário foi construído para combinar as saídas dos três unidades de RNA secundárias acima. A saída final é uma previsão numérica do risco de morte de doentes com NPC com base nas suas miARN assinaturas de expressão do gene. Notavelmente, chamamos todas as saídas do modelo como dezenas de miRNA, independentemente da sua origem a partir das unidades de RNA ou os modelos compostos. Além disso, uma descrição detalhada da construção de modelos NNC foi fornecida em S1 texto.

Interno e validação externa

O método de validação cruzada validação foi utilizado para realizar a validação interna para cada unidade ANN utilizando o configurações padrão da ferramenta IPS. Os 208 amostras modelo de treinamento foram divididos aleatoriamente em três grupos, incluindo conjunto de treinamento, conjunto de verificação e conjunto de teste em uma proporção de 02:01:01. A regressão linear foi utilizada para avaliar a consistência dos resultados de treinamento e testes. coeficientes de correlação similares para os conjuntos de treinamento e teste implica a determinada unidade ANN tem boa capacidade de generalização e

vice-versa

. Além disso, um conjunto independente, que consistiu de 104 amostras foi usado para executar a validação externa das precisões de previsão do modelo NNC. Além de regressão linear, um receiver operating characteristic (ROC) análise da curva também foi realizada para avaliar os efeitos de previsão dos modelos UNN, TNN e NNC usando o software MedCalc (versão 13.0). O valor preditivo positivo (PV) em cada critério de pontuação miRNA foi calculado e utilizado para estimar a probabilidade de mau prognóstico para os 104 pacientes no conjunto de validação externa.

A análise estatística

Student

t

-test foi utilizado para comparações entre dois grupos de status de sobrevivência de pacientes com NPC de vários aspectos, incluindo a expressão de miRNA, pontuação miRNA, e probabilidade de mau prognóstico. Análise da área sob a curva ROC (AUROC) foi utilizado para comparação de cada desempenho de previsão de risco por dezenas de miRNA de diferentes miRNAs, expressão miRNA, e dezenas de o mesmo miRNA, ou saídas finais de diferentes modelos ANN [22]. Diferenças foram consideradas estatisticamente significativas quando

p

. 0,05 para todos os métodos estatísticos utilizados neste estudo

Resultados

Nove miRNAs foram selecionados como NPC biomarcadores de prognóstico da 873 miRNAs medidos

primeiro, nós normalizado e processados ​​os valores de expressão de miRNA originais que foram transferidos a partir do conjunto de dados GEO da expressão gênica em pacientes com NPC (GSE32960). Em seguida, as 312 amostras de pacientes foram divididos aleatoriamente em um conjunto de treinamento do modelo e um conjunto de validação externa na proporção de 2:01. No conjunto de treinamento do modelo, modelos pequenos RNAs com arquitetura de rede de 1-11-1 foi aplicado para converter valores de expressão de miRNA em pontuações miRNA para cada miRNA analisados. O software GraphPad Prism 6.0 foi então usada para calcular a pontuação de Spearman entre R miARN e estado de sobrevivência do paciente para cada um dos 873 miARNs. Finalmente, entre os 873 miRNAs, nove miRNAs com os maiores valores Spearman R foram destacados: miR-93, miR-29c, miR-34c-5p, miR-202, miR-145 estrelas, miR-1292, miR-26a, miR-30e, e miR-15b (por ordem de valor de Spearman R descendente). A pontuação miR-93 miRNA apresentou a melhor correlação linear com status de sobrevivência (Figura 1A, Spearman R = 0,3091). Comparativamente, a pontuação miRNA let-7 estrelas foi encontrado para ser relacionado com a NPC sobrevida do paciente (Figura 1B, Spearman R = 0,0075). Este resultado foi confirmado pela nossa análise ROC (Figura 1C). O AUROC do modelo de previsão utilizando a pontuação miRNA miR-93 foi significativamente maior do que a do modelo de previsão usando a pontuação de miRNA de deixá-7e estrelas (

p

= 0,0001). Além disso, foi calculado AUROCs para os outros oito miRNAs que foram selecionados como potenciais biomarcadores para NPC prognóstico. Uma relação de correlação rigorosa foi revelado entre os valores de R e aqueles Spearman de AUROCs (Figura 1D). Este resultado sugere cálculo Spearman R ou AUROC leva a eficácia semelhante na capacidade de detectar biomarcadores preferidos de experiências microarray miRNA.

A) Existe uma relação linear significativa entre os normalizados miR-93 pontuações e status de sobrevivência do paciente. Spearman R = 0,3091;

p Art 0,0001. B) Nenhuma relação linear significativa foi encontrada entre normalizados pontuações let-7e estrelas e status de sobrevivência do paciente. Spearman R = 0,0075;

p Art 0,895. C) Comparação AUROC entre os modelos de previsão de risco de morte utilizando pontuações miR-93 e deixe-7e estrelas. Foi observada uma diferença significativa (

p

= 0,0001). D) A relação de correlação linear perfeita foi encontrada entre os valores e AUROCs (R Spearman n = 9).

p

. 0,0001

A expressão de nove candidatos biomarcadores miRNAs foi nonlinearly relacionados com status de sobrevivência

Gráficos de dispersão foram atraídos para ilustrar a relação entre a expressão de miRNA e contagens de miARN (Figura 2A). Como resultado, nenhuma relação linear foi detectada entre a expressão de miRNA e dezenas de miRNA para os nove candidatos biomarcadores miRNA selecionados. Como a pontuação miRNA é uma variável linear avaliar o risco de morte de pacientes com NPC, tal resultado indica uma relação não linear entre a expressão de miRNA e status de sobrevida do paciente. Esta descoberta também implica que a comparação directa entre o paciente de expressão miRNA pode não ser adequado para predizer o prognóstico. O miRNA miR-15b foi usado para examinar melhor este ponto. De acordo com o valor de Spearman R, miR-15b foi seleccionada como um dos nove biomarcadores miARN preferenciais indicando NPC prognóstico. No entanto, não havia nenhuma diferença na expressão de miR-15b entre os dois grupos de pacientes com diferentes status de sobrevivência por estudante do

t

-test (Figura 2B). Em contraste, o nosso método de transformação de valores de expressão de genes de miARN na pontuação miARN nos permitiu distinguir com sucesso entre os dois grupos de pacientes (Figura 2C). Em comparação com a expressão de miARN, a pontuação miARN deu uma previsão positiva, o qual foi adicionalmente verificado pela análise ROC (Figura 2D). Resultados similares também foram observadas em miR-34c-5p, miR-145 estrelas, miR-202 e miR-1292 (Figura S1).

A) Ilustração da relação entre a expressão de miRNA normalizado e miRNA normalizada escores dos nove biomarcadores miRNA selecionados. B) Não foi observada diferença significativa na expressão de miR-15b normalizada entre pacientes com status de sobrevivência de “vivo” e “morto”. Média ± SEM;

p

= 0,61. C) Os escores de miRNA de miR-15b foram significativamente diferentes quando os pacientes com status de sobrevivência de “vivo” e “morto” foram comparados. Média ± SEM;

p Art 0,0001. D) Comparação AUROC entre os modelos de previsão de risco de morte usando expressão miRNA e dezenas de miRNA de miR-15b, respectivamente. Foi encontrada uma diferença significativa (

p

= 0,0011).

O modelo NNC mostrou a melhor previsão do paciente de risco de morte

Neste estudo, nós construímos três ANN modelos para demonstrar ainda mais o significado da transformação linear dos valores de expressão de miARN em uma pontuação miARN. O modelo UNN era um modelo tradicional RNA com uma estrutura 3-11-1 rede construída usando os valores de expressão miRNA normalizados de miR-29c, miR-34c-5p, andmiR-93 como variáveis ​​de entrada. Com a mesma estrutura de rede, o modelo TNN utilizadas as pontuações normalizadas miRNA destes três miRNAs como variáveis ​​de entrada. análise ROC revela um melhor desempenho de previsão do modelo TNN do que a do modelo UNN (Figura 3A). O último modelo de RNA que foi construído um modelo NNC, que tinha a estrutura de rede mais complexa, incorporando 13 unidades de RNA, como mostrado na Figura 3B. O modelo NNC tem uma AUROC de 0,951, o que indica este modelo tem a melhor capacidade preditiva para distinguir pacientes com diferentes status de sobrevivência (Figura 3A). A validação interna indica que ele tem uma boa capacidade de generalização para a previsão do prognóstico dos pacientes para além do conjunto de treinamento de modelagem (Figura 3B)

UNN: rede neural não transformada;. TNN: transformou rede neural; NNC: neural cascata rede. Tr e Te representam coeficientes de correlação entre a variável de saída e pontuação miRNA do conjunto de treinamento e de ensaio previstas em cada unidade ANN, respectivamente.

O modelo NNC mostraram forte imunidade contra a expressão miRNA perturbado

gráficos de dispersão mostrar mais claramente o efeito discriminativo das diferentes ANN modelos (Figura 4A). Comparado com UNN ou TNN, é fácil de identificar que NNC teve o melhor desempenho, apesar do facto de que todos os três modelos podia distinguir significativamente doentes com o estado de sobrevivência de “morto” por aqueles com o status de “viva” (

P Art 0,0001). O elevado desempenho preditivo de NNC foi confirmado quando testado em 104 pacientes utilizados para validação externa (Figura 4B). Uma análise mais aprofundada ROC mostrou que a precisão da previsão foi de 83% para a identificação de pacientes de alto risco, utilizando o modelo de NNC estabelecido aqui. Considerando a diversidade dos pacientes reais na clínica, que também investigou a capacidade anti-interferências de diferentes modelos, substituindo os valores de expressão de miR-93 miARN com aqueles de deixar-7E-estrela. Neste estudo, a pontuação miRNA let-7e-estrela tinha mostrado nenhuma relação com o risco de morte dos pacientes diagnosticados NPC (Figura 1B e C). O resultado desta troca descobriu que o UNN não poderia sobreviver se os valores de expressão de miR-93 ficaram gravemente perturbado (Figura 4C). Não há nenhuma diferença significativa nos escores de miRNA entre dois grupos de pacientes neste modelo (

p

= 0,20). Comparativamente, os outros dois modelos, especialmente o modelo NNC, ainda mostrou um desempenho robusto em distinguir o status dos pacientes.

Comparações dos escores de miRNA foram realizadas entre os pacientes com diferentes status de sobrevivência no conjunto de treinamento do modelo (A) e do conjuntos de validação externos normais com miR-93 de entrada de expressão (B) e com perturbado miR-93 de entrada de expressão (C). UNN: rede neural não transformada; TNN: transformou rede neural; NNC:. Neural cascata rede

Além disso, foi avaliada a probabilidade de um mau prognosisfor cada paciente com NPC. A probabilidade média dos pacientes com o status de sobrevivência de “vivo” foi de 0,50, indicando que o risco de morte ainda existe para este grupo de pacientes (Figura 5A). Comparado com UNN ou TNN, NNC estimado com maior precisão o risco de morte de pacientes com o status de sobrevivência de “morto”, mesmo na situação em que a expressão de miR-93 foi seriamente perturbado (Figura 5B). Esta constatação sugere que o modelo NNC pode ter forte imunidade contra interferência de ruído causado por fatores desconhecidos.

A) Normal miR-93 de entrada de expressão. B) Entrada de expressão Disturbed miR-93. UNN: rede neural não transformada; TNN: transformou rede neural; NNC: neural cascata rede. Todos os dados são expressos como média ± SEM.

Discussão

Os miRNAs são amplamente pensado para ser a classe mais promissora de substâncias endógenas para biomarcadores de diagnóstico e prognóstico clínicos para câncer [23]. Essa convicção levou pesquisadores em todo o mundo para realizar perfil de expressão miRNA específica da doença em uma extensa área de pesquisa de câncer [24], [25]. Neste estudo, procuramos pela primeira vez para apresentar um método genérico para traduzir dados de expressão de miRNA em linguagem clinicamente relevantes, tais como a possibilidade de ter câncer ou o risco de mau prognóstico devido a sofrer de cancro. Resumidamente, um modelo computacional foi construída através da integração de muitas unidades ANN de função única pequena em um sistema de rede em cascata. Nós nomeou-a cascata de rede neural. Nós demonstramos que a cascata de rede neural foi eficiente para identificar o risco de morte dos pacientes diagnosticados com NPC.

A pedra angular teórica para o modelo NNC estabelecida aqui é a suposição de que a expressão miRNA podem não ser linearmente associada a indicadores fenótipo clínico . Esta hipótese é razoável e realista, dada a complexidade do envolvimento miRNAs na biologia humana [16], [26], [27]. Partindo desse pressuposto, a expressão miRNA deve ser transformada em uma variável linear antes de usá-lo para avaliar a possibilidade de consequências clínicas, como a que se um paciente está em risco elevado de morte por câncer. Os nossos resultados apoiam a validade da hipótese. Encontramos uma relação não linear entre a expressão de miRNA e o risco de morte de pacientes com NPC. Esta constatação implica a importância de miRNA de pré-processamento de dados de expressão antes de quaisquer decisões clínicas baseadas em miRNA são feitas

Diferente de redes neurais artificiais tradicionais anteriormente utilizados no diagnóstico e gestão [19] câncer -. [21], o NNC fez não usar diretamente a expressão miRNA. Pelo contrário, o NNC primeiro transforma a expressão de genes miRNA em uma pontuação miRNA, uma variável linear para avaliar fenótipo clínico. Como resultado, a miARN marcar em vez de miARN expressão foi usado para fins de selecção de miARN biomarcadores potenciais e a tomada de decisão final. No modelo de NNC, a transformação e integração de dados e de saída predição final foi conseguida por passos. Isso garante simplificação computacional global do funcionamento do modelo. Outra vantagem do NNC é que cada miARN é atribuído um canal independente para a entrada de informação. Com uma tal concepção, se são necessários mais miARNs para melhor previsão, pode-se expandir a escala do modelo NNC sem aumentar a complexidade da rede de uma única unidade. Isso faz com que o modelo NNC livremente expansível de acordo com exigências específicas. dados de expressão de diferentes miARN pode ser considerada como informação diversa contribuindo para o nosso conhecimento actual do risco de morte de pacientes. Em nosso estudo, a inclusão de mais miRNAs foi resultou em melhores previsões. O RNT continha três miRNAs e teve uma AUROC de 0.862. Em contraste, o modelo de NNC tinha um AUROC de 0,951, o qual continha 9 miARNs. No entanto, também é possível que um modelo NNC maior para NPC prognóstico pode conter mais do que nove miARNs. Os nove miARNs utilizadas no modelo de NNC aqui simplesmente serviu como uma ilustração metodologia.

Os resultados de validação externos de UNN e TNN indicam que a transformação linear de expressão miARN melhora notavelmente o efeito de previsão do modelo. Importante, este procedimento não aumentou o número de biomarcadores de miARN necessários, o que implica a vantagem de utilizar uma estrutura em cascata de RNAs. Além disso, descobrimos que a constituição ANN em cascata teve um desempenho mais robusto do que o modelo tradicional ANN, onde a variabilidade inexplicado na expressão de miR-93 causou uma ANN mau funcionamento da unidade. Embora incapaz de estimar o grau de interferência no prognóstico da doença em ambientes clínicos reais, continua a ser possível que esta variabilidade será um fator importante que dificulta modelos de previsão baseados em miRNA na prática. A comparação dos modelos TNN e NNC sugere que a inclusão de mais miRNAs iria aumentar a robustez do modelo ANN estabelecida contra a poluição sonora.

Em conclusão, nosso estudo forneceu um método racional e viável para a seleção biomarcador miRNA e previsão estabelecimento modelo . A vantagem de uma construção em cascata de unidades de rede neural artificial pequenos se reflete a partir de vários aspectos, incluindo a capacidade escalável e combinação flexível de entradas de expressão de miRNA, melhor previsão com estabilidade robusta, e maiores oportunidades para a modelagem significativa se o número de biomarcadores miRNA é irrestrita. No futuro, mais devem ser feitas tentativas para validar ainda mais a aplicação da nossa abordagem ao traduzir dados de expressão de miRNA em informação clinicamente relevante para o diagnóstico e prognóstico do câncer.

Informações de Apoio

Figura S1.

Comparação de expressão miRNA e dezenas de miRNA entre os dois grupos de pacientes com diferentes status de sobrevivência. A) miR-26a; B) miR-29b; C) miR-30e; D) miR-34c-5p; E) miR-93; F) miR-145 estrelas; G) o miR-202; H) miR-1292. Todos os dados são expressos como média ± SEM

doi:. 10.1371 /journal.pone.0110537.s001

(TIF)

texto S1.

Um procedimento passo-a-passo para a construção de modelos NNC

doi:. 10.1371 /journal.pone.0110537.s002

(DOCX)