.png){kind=icon}
返回
Unsupervised Machine Learning for Differential Analysis in Proteomics
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.analchem.5c03117.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
蛋白质组学中的差异分析对于生物标志物发现和疾病机制阐明至关重要，但传统统计方法受限于分布假设和经验性倍数变化阈值的依赖。本研究系统评估了18种无监督异常检测机器学习（ML）算法与既定的统计框架在蛋白质组数据集差异蛋白质检测中的表现。通过基于实验数据衍生的计算机模拟数据集，我们借助基于概率的转换实现了跨算法的可比性。结果表明，机器学习方法，特别是最小协方差行列式（MCD），在召回率、精确度和准确度上优于统计检验，且对样本间异质性的鲁棒性更优。对真实世界蛋白质组数据的验证进一步确认，MCD识别的差异表达蛋白质全面覆盖了经典通路，同时揭示了新型肿瘤相关功能生物标志物。本研究确立了无监督机器学习方法作为蛋白质组差异分析中传统假设驱动统计方法的可靠替代方案，为精准医学研究提供了更高的可靠性。
