Découverte de signatures de biomarqueurs à partir de données de spectrométrie de masse.

Résumé La protéomique à haut débit basée sur la spectrométrie de masse est utilisée pour l'analyse des protéines et le diagnostic clinique. De nombreuses méthodes d'apprentissage automatique ont été utilisées pour construire des classificateurs basés sur les données de spectrométrie de masse, pour la discrimination entre les stades du cancer. Cependant, les classificateurs générés par l'apprentissage automatique tels que les techniques SVM manquent généralement d'interprétabilité biologique. Nous présentons une technique innovante pour la découverte automatique de signatures optimisées pour caractériser les différents stades du cancer. Nous validons notre algorithme de découverte de signatures sur un nouvel ensemble de données MALDI-TOF sur le cancer colorectal et sur deux ensembles de données SELDI-TOF bien connus sur le cancer de l'ovaire. Dans tous ces cas, nos classificateurs basés sur les signatures ont obtenu des performances supérieures ou au moins égales à celles de quatre algorithmes d'apprentissage automatique de référence, dont SVM et KNN. En outre, nos signatures optimisées sélectionnent automatiquement des ensembles plus petits de biomarqueurs clés que les boîtes noires générées par l'apprentissage automatique, et sont beaucoup plus faciles à interpréter.