PREreviews de EMT network-based feature selection improves prognosis prediction in lung adenocarcinoma | PREreview

Aller directement aux détails du preprint Aller directement aux PREreviews

EMT network-based feature selection improves prognosis prediction in lung adenocarcinoma

par Borong Shao, Maria M Bjaanæs, Helland Åslaug, Christof Schütte et Tim Conrad

Publié: 6 septembre 2018
Serveur de preprints: bioRxiv
DOI: 10.1101/410472

Résumé

Various feature selection algorithms have been proposed to identify cancer prognostic biomarkers. In recent years, however, their reproducibility is criticized. The performance of feature selection algorithms is shown to be affected by the datasets, underlying networks and evaluation metrics. One of the causes is the curse of dimensionality, which makes it hard to select the features that generalize well on independent data. Even the integration of biological networks does not mitigate this issue because the networks are large and many of their components are not relevant for the phenotype of interest. With the availability of multi-omics data, integrative approaches are being developed to build more robust predictive models. In this scenario, the higher data dimensions create greater challenges.

We proposed a phenotype relevant network-based feature selection (PRNFS) framework and demonstrated its advantages in lung cancer prognosis prediction. We constructed cancer prognosis relevant networks based on epithelial mesenchymal transition (EMT) and integrated them with different types of omics data for feature selection. With less than 2.5% of the total dimensionality, we obtained EMT prognostic signatures that achieved remarkable prediction performance (average AUC values > 0.8), very significant sample stratifications, and meaningful biological interpretations. In addition to finding EMT signatures from different omics data levels, we combined these single-omics signatures into multi-omics signatures, which improved sample stratifications significantly. Both single- and multi-omics EMT signatures were tested on independent multi-omics lung cancer datasets and significant sample stratifications were obtained.

Lire le preprint

1 PREreview rapide

par Yan Zhou

Où puis-je remplir un Rapid PREreview ?

Nous avons récemment remplacé les PREreviews rapides par des PREreviews structurées.

Vous pouvez écrire une PREreview structurée maintenant.

Nous mettrons bientôt à jour d’anciens PREreviews rapides comme ceux-ci.

PREreviews rapides agrégées
Question	Oui	Incertain	N/A	Non
Les résultats sont-ils nouveaux ?	100 %	0 %	0 %	0 %
Les résultats sont-ils susceptibles de mener à des recherches futures?	100 %	0 %	0 %	0 %
Les détails suffisants sont-ils fournis pour permettre la reproduction de l'étude?	100 %	0 %	0 %	0 %
Les méthodes et les statistiques sont-elles adaptées à l’analyse ?	100 %	0 %	0 %	0 %
Les principales conclusions sont-elles étayées par les données et l’analyse ?	100 %	0 %	0 %	0 %
Le manuscrit aborde-t-il les limites?	100 %	0 %	0 %	0 %
Les auteurs ont-ils suffisamment discuté des préoccupations éthiques?	0 %	100 %	0 %	0 %
Le manuscrit contient-il de nouvelles données?	100 %	0 %	0 %	0 %
Les données utilisées dans le manuscrit sont-elles disponibles ?	0 %	100 %	0 %	0 %
Le code utilisé dans le manuscrit est-il disponible ?	0 %	100 %	0 %	0 %
Recommanderiez-vous ce manuscrit aux autres?	100 %	0 %	0 %	0 %
Recommandez-vous ce manuscrit pour évaluation par les pairs ?	100 %	0 %	0 %	0 %

2 PREreviews

Rédigez un PREreview Demander une PREreview

PREreview par Yan Zhou

Rédigé par Yan Zhou

This study finds EMT signatures from different omics data levels.

Lire la PREreview de Yan Zhou
PREreview par Daniela Saderi

Rédigé par Daniela Saderi

Live-streamed preprint Journal Club on "EMT network-based feature selection improves prognosis prediction in lung adenocarcinoma" – October 23, 2018
This is a review of the bioRxiv preprint "EMT network-based feature selection improves prognosis prediction in lung adenocarcinoma" by Borong Shao,…
Lire la PREreview de Daniela Saderi