- 3 次围观
食管癌（EC）的特征是复杂的转录调控变化和治疗耐药性，这给传统计算方法带来了挑战。在本研究中，我们提出了一种基于深度学习（DL）的计算框架，用于从批量细胞RNA测序数据（GSE234304和GSE273848）中识别重要基因及具有生物学相关性的通路；这些数据集包含肿瘤和非肿瘤食管组织样本。我们训练了一个全连接前馈神经网络用于二分类，并实施了两种特征选择策略：神经网络后接支持向量回归（NN+SVR），以及积分梯度结合支持向量回归（IG+SVR）。随后，根据基因在SVR中的权重对其进行排序并计算重要性评分，将排名前100位的基因利用Enrichr和Metascape进行富集分析。与LIMMA、SAM和t检验相比，所提出的基于深度学习的方法在已建立的食管癌细胞系中识别出了更多的表达基因。具体而言，在GSE234304数据集中，IG+SVR作为表现最佳的方法，共识别出9个表达基因，而表现最佳的基线方法LIMMA共识别出3个表达基因。在GSE273848数据集中，IG+SVR同样表现最佳，共识别出11个表达基因，而表现最佳的基线方法t检验共识别出7个表达基因。所识别出的关键基因包括CEBPB、SUMO1、RORA、STAT1、GATA、OCT1、RUNX1和NR3C1，以及与核蛋白成熟、胶原纤维组织、免疫球蛋白介导的免疫反应、免疫调控和胰岛素信号传导相关的通路。这些结果表明，将神经网络与基于归因的回归相结合，可以构建一个有效且具有可解释性的框架，用于食管癌研究中的基因筛选。
应用于食管腺癌基因表达数据的新型两阶段深度学习方法：促进生物学知识发现 | bioRxiv
跳转至主要内容
主页 关于 投稿 提醒 / RSS 搜索此关键词 高级搜索 最新结果
应用于食管腺癌基因表达数据的新型两阶段深度学习方法：促进生物学知识发现
Fahad Jamie， Turki Turki， Fawaz Alsolami， 查看 ORCID 个人资料 Y-h. Taguchi
doi： https://doi.org/10.64898/2026.09.12.751181
Fahad Jamie 1 阿卜杜勒阿齐兹国王大学； 在 Google Scholar 中查找该作者 在 PubMed 中查找该作者 在本网站搜索该作者
Turki Turki 1 阿卜杜勒阿齐兹国王大学； 在 Google Scholar 中查找该作者 在 PubMed 中查找该作者 在本网站搜索该作者
通讯作者： tturki{at}kau.edu.sa
Fawaz Alsolami 1 阿卜杜勒阿齐兹国王大学； 在 Google Scholar 中查找该作者 在 PubMed 中查找该作者 在本网站搜索该作者
Y-h. Taguchi 2 中央大学 在 Google Scholar 中查找该作者 在 PubMed 中查找该作者 在本网站搜索该作者 Y-h. Taguchi 的 ORCID 记录
摘要
信息/历史
指标
补充材料
预览 PDF
摘要
食管癌（EC）的特征是复杂的转录改变和治疗耐药性，这给传统计算方法带来了挑战。本研究提出了一种基于深度学习（DL）的计算框架，用于从批量细胞 RNA-seq 数据（GSE234304 和 GSE273848）中识别重要基因和具有生物学相关性的通路；这些数据包含食管肿瘤组织样本和非肿瘤组织样本。研究训练了一个全连接前馈神经网络进行二分类，并实施了两种特征选择策略：神经网络结合支持向量回归（NN+SVR），以及积分梯度结合支持向量回归（IG+SVR）。随后，根据基因在 SVR 中的权重对其进行排序，并据此计算重要性评分；排名前 100 的基因利用 Enrichr 和 Metascape 进行富集分析。与 LIMMA、SAM 和 t 检验相比，所提出的基于深度学习的方法在已建立的食管癌细胞系中识别出了更多的表达基因。具体而言，在 GSE234304 数据集中，IG+SVR（即本研究表现最佳的方法）共识别出 9 个表达基因，而最佳基线方法 LIMMA 共识别出 3 个表达基因。在 GSE273848 数据集中，IG+SVR 同样表现最佳，共识别出 11 个表达基因，而最佳基线方法 t 检验共识别出 7 个表达基因。所识别出的关键基因包括 CEBPB、SUMO1、RORA、STAT1、GATA、OCT1、RUNX1 和 NR3C1；相关通路则包括核蛋白成熟、胶原纤维组织、免疫球蛋白介导的免疫反应、免疫调节以及胰岛素信号传导。这些结果表明，将神经网络与基于归因的回归相结合，可构建一个有效且具有可解释性的框架，用于食管癌研究中的基因筛选。
利益冲突声明
基金信息声明
阿卜杜勒阿齐兹国王大学， KAU 捐赠基金（WAQF）
阿卜杜勒阿齐兹国王大学， 科研与研究生院（DSR）
版权
本预印本的。
保留所有权利。未经许可不得重复使用。
返回顶部
上一篇
下一篇
发布于 2026 年 9 月 18 日。
下载 PDF
补充材料
电子邮件
感谢您有兴趣传播 bioRxiv 上的内容。
您的电子邮件地址 *
您的姓名 *
发送至 *
请在不同的行中输入多个地址，或使用逗号分隔。
您即将转发以下内容：
应用于食管腺癌基因表达数据的新型两阶段深度学习方法：促进生物学知识发现
邮件主题
（您的姓名）从 bioRxiv 网站转发了一篇文章给您
邮件正文
（您的姓名）认为您可能会对 bioRxiv 网站上的这篇文章感兴趣。
您的个人留言
验证码
此问题用于确认您是真实用户，并防止自动化垃圾邮件提交。
分享
应用于食管腺癌基因表达数据的新型两阶段深度学习方法：促进生物学知识发现
Fahad Jamie， Turki Turki， Fawaz Alsolami， Y-h. Taguchi
bioRxiv 2026.09.12.751181； doi： https://doi.org/10.64898/2026.09.12.751181
分享本文：
复制
引用工具
应用于食管腺癌基因表达数据的新型两阶段深度学习方法：促进生物学知识发现
Fahad Jamie， Turki Turki， Fawaz Alsolami， Y-h. Taguchi
bioRxiv 2026.09.12.751181； doi： https://doi.org/10.64898/2026.09.12.751181
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.12.751181v1?rss=1
🏷️ 食管腺癌 基因表达分析 深度学习 特征选择 通路富集分析 可解释性人工智能