Aplicación de un método pancanceroso de red neural basada en el transcriptoma completo para el diagnóstico de cánceres primarios y metastásicos

CITA: Jasleen K. Grewal B, Basile Tessier-Cloutier M, Martin Jones P, Sitanshu Gakkhar M, Yussanne Ma P, Richard Moore P, et al. Application of a Neural Network Whole Transcriptome–Based Pan-Cancer Method for Diagnosis of Primary and Metastatic Cancers. JAMA Netw Open. 2019;2(4):1/15.


Recuerda registrarte en el diplomado de Cuidados Intensivos Neonatales haciendo click aquí: DIPLOMADO UCIN

O en el diplomado de Ventilación mecánica en: DIPLOMADO VENTILACIÓN MECÁNICA


RESUMEN

IMPORTANCIA: Un método de diagnóstico molecular que incorpora información sobre el estado transcripcional de todos los genes a través de múltiples tipos de tejido puede fortalecer la confianza en el diagnóstico del cáncer.

OBJETIVO: Determinar el uso práctico de todo un método de pancáncer basado en transcriptoma para diagnosticar cánceres primarios y metastásicos y resolver diagnósticos complejos.

DISEÑO, AJUSTE Y PARTICIPANTES: Este estudio de diagnóstico transversal evaluó a Cancer Origin Prediction Using Expression (SCOPE), un método de aprendizaje automático que utiliza datos de secuenciación de ARN de transcriptoma completo. Se llevó a cabo una capacitación sobre el cáncer primario disponible al público incluyendo el Atlas del Genoma del Cáncer. La prueba se realizó de forma retrospectiva en las muestras no tratadas cánceres primarios y metástasis tratadas de pacientes adultos voluntarios en BC Cancer en Vancouver, Colombia Británica, desde el 1 de enero de 2013 hasta el 31 de marzo de 2016, y las pruebas abarcaron 10.822 muestras, y 66 clases de productos que representan cánceres primarios no tratados (n = 40) y tejidos normales adyacentes. (n = 26). El desempeño de SCOPE fue demostrado en 211 cánceres primarios de mesotelioma no tratados y 201 cánceres metastásicos resistentes al tratamiento. Finalmente, se utilizó SCOPE para identificar el sitio putativo de origen en 15 casos con presentación inicial como cánceres de origen primario desconocido.

CONCLUSIONES Y RELEVANCIA: Estos resultados sugieren que los enfoques de aprendizaje automático que incorporan múltiples perfiles tumorales pueden identificar con mayor precisión el estado canceroso y discriminarlo de las células normales. SCOPE utiliza todos los transcriptomas de la normalidad y el tumor

Puede descargar el artículo completo en: Grewal, J 2019

Categorías:Articulos

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.