ترجمه فارسی مقاله UnPaSt: طبقه‌بندی بدون نظارت بیماران بر اساس دوخوشه‌های بیان‌شده‌ی افتراقی در داده‌های اومیکس

چکیده

Most complex diseases, including cancer and non-malignant diseases like asthma, have distinct molecular subtypes that require distinct clinical approaches. However, existing computational patient stratification methods have been benchmarked almost exclusively on cancer omics data and only perform well when mutually exclusive subtypes can be characterized by many biomarkers. Here, we contribute with a massive evaluation attempt, quantitatively exploring the power of 22 unsupervised patient stratification methods using both, simulated and real transcriptome data. From this experience, we developed UnPaSt (https://apps.cosy.bio/unpast/) optimizing unsupervised patient stratification, working even with only a limited number of subtype-predictive biomarkers. We evaluated all 23 methods on real-world breast cancer and asthma transcriptomics data. Although many methods reliably detected major breast cancer subtypes, only few identified Th2-high asthma, and UnPaSt significantly outperformed its closest competitors in both test datasets. Essentially, we showed that UnPaSt can detect many biologically insightful and reproducible patterns in omic datasets.

چکیده به فارسی (ترجمه ماشینی)

بیشتر بیماریهای پیچیده ، از جمله سرطان و بیماریهای غیر بدخیم مانند آسم ، دارای زیرگروه های مولکولی مجزا هستند که به روشهای بالینی متمایز نیاز دارند.با این حال ، روشهای طبقه بندی بیمار محاسباتی موجود تقریباً به طور انحصاری بر روی داده های OMICS سرطان معیار شده است و فقط در صورتی که زیرگروه های منحصر به فرد با بسیاری از نشانگرهای زیستی مشخص شود ، عملکرد خوبی دارند.در اینجا ، ما با یک تلاش ارزیابی گسترده ، به طور کمی به بررسی قدرت 22 روش طبقه بندی بیمار بدون نظارت با استفاده از داده های هر دو ، شبیه سازی شده و واقعی رونوشت کمک می کنیم.از این تجربه ، ما بهینه سازی UNPAST (https://apps.cosy.bio/unpast/) بهینه سازی طبقه بندی بیمار بدون نظارت ، حتی با تعداد محدودی از نشانگرهای زیستی پیش بینی کننده زیربنایی کار می کنیم.ما تمام 23 روش در مورد داده های سرطان پستان در دنیای واقعی و داده های رونویسی آسم را ارزیابی کردیم.اگرچه بسیاری از روشها به طور قابل اعتماد زیرگروه های اصلی سرطان پستان را تشخیص دادند ، اما تعداد کمی از آسم Th2 بالا شناسایی شده ، و Unpast به طور قابل توجهی از نزدیکترین رقبای خود در هر دو مجموعه داده تست بهتر عمل می کند.در اصل ، ما نشان دادیم که UNPAST می تواند بسیاری از الگوهای بیولوژیکی روشنگری و قابل تکرار را در مجموعه داده های OMIC تشخیص دهد.