这个机器学习方法已经连续发了好几篇高分文章

主要观点总结

本文分享了发表在Brief. Bioinformatics杂志上的文章，研究人员基于基因表达水平的相对高低秩序识别肿瘤干性基因对，并提出了一个绝对干性指数来量化致癌去分化程度。该研究通过多病种、多平台的数据集验证，表明基于REO的干性指数与肿瘤分级和预后高度相关，具有指导肿瘤治疗的潜力。

关键观点总结

关键观点1: 研究目的

癌症的进展伴随着干性的获得与分化表型的丧失，基于转录谱评估肿瘤干性的方法存在局限性，因此研究人员旨在提出一个新的绝对干性指数来量化致癌去分化程度。

关键观点2: 方法解读

研究使用了多平台的数据集，包括训练集、验证集和SC细胞系数据集，基于REOs计算干性指数。同时，对比了已发表研究中干性指数算法的局限性。

关键观点3: 结果解读

研究发现基于REO的干性指数与肿瘤分级和预后高度相关，且该指数在肿瘤中具有指导治疗的潜力。此外，还鉴定了与干性相关的关键基因和途径。

关键观点4: 研究亮点

该研究联合了多平台的基因表达谱数据库，使用了多种生物信息学方法，如KEGG分析、COX回归模型、相关性分析(Pearson)等。尤其是研究中主要用到的REO机器学习方法，展示了其在科研中的实际应用价值。

文章预览

今天跟大家分享发表在 Brief. Bioinformatics 杂志上的文章。作者基于基因表达水平的相对高低秩序识别肿瘤干性基因对，发现基于干性指数有助于区分多种肿瘤的分级和预后，具有指导肿瘤治疗的潜力。 人类干性指数与致癌去分化有关             一.研究目的 癌症的进展伴随着干性的获得与分化表型的丧失，而基于转录谱已提出了许多评估肿瘤干性的方法。但是，由于这些评估肿瘤干性的方法仅给出干性指数的相对范围(而非绝对干性指数)，亦或是基于基因表达绝对检测值 (由于批次效应等影响，不同实验检测的样本数据并不能简单的直接合并进行分析)，使得这些方法无法直观评估肿瘤干性。 研究人员基于基因表达水平的相对高低秩序 (relative expression orderings， REO s)关系识别出基因对，并提出一个绝对干性指数用来量化致癌去分化程度。 该干性指 ………………………………