Home | Contact
     ISSN 2149-2042
     e-ISSN 2149-4606
 
 
 
Volume : 37 Issue : 2 Year : 2022



Current Issue Archive Popular Articles Ahead of Print




Index














Membership




Applications



 
Machine Learning-based Prediction of HBV-related Hepatocellular Carcinoma and Detection of Key Candidate Biomarkers [Medeniyet Med J]
Medeniyet Med J. 2022; 37(3): 255-263 | DOI: 10.4274/MMJ.galenos.2022.39049  

Machine Learning-based Prediction of HBV-related Hepatocellular Carcinoma and Detection of Key Candidate Biomarkers

Zeynep KUCUKAKCALI1, Sami AKBULUT2, Cemil COLAK1
1Inonu University Faculty of Medicine, Department of Biostatistics and Medical Informatics, Malatya, Turkey
2Inonu University Faculty of Medicine, Department of Biostatistics and Medical Informatics, Malatya, Turkey, Inonu University Faculty of Medicine, Department of General Surgery, Malatya, Turkey, Inonu University Faculty of Medicine, Department of Public Health, Malatya, Turkey

Objective: This study aimed to classify open-access gene expression data of patients with hepatitis B virus-related hepatocellular carcinoma (HBV + HCC) and chronic HBV without HCC (HBV alone) using the XGBoost method, one of the machine learning methods, and reveal important genes that may cause HCC.
Methods: This case-control study used the open-access gene expression data of patients with HBV + HCC and HBV alone. Data from 17 patients with HBV + HCC and 36 patients with HBV were included. XGBoost was constructed for the classification via 10-fold cross-validation. Accuracy, balanced accuracy, sensitivity, selectivity, positive-predictive value, and negative-predictive value performance metrics were evaluated for model performance.
Results: According to the feature-selection method, 18 genes were selected, and modeling was performed with these input variables. Accuracy, balanced accuracy, sensitivity, specificity, positive-predictive value, negative-predictive value, and F1 score obtained from XGBoost model were 98.1%, 98.6%, 100%, 97.2%, 94.4%, 100%, and 97.1%, respectively. Based on the predictor importance findings acquired from XGBoost, the RNF26, FLJ10233, ACBD6, RBM12, PFAS, H3C11, and GKP5 can be employed as potential biomarkers of HBV-related HCC.
Conclusions: In this study, genes that may be possible biomarkers of HBV-related HCC were determined using a machine learning-based prediction approach. After the reliability of the obtained genes are clinically verified in subsequent research, therapeutic procedures can be established based on these genes, and their usefulness in clinical practice may be documented.

Keywords: Hepatocellular carcinoma, hepatitis B infection, chronic liver disease, gene expression


HBV ile İlişkili Hepatosellüler Karsinomun Makine Öğrenimi Tabanlı Tahmini ve Aday Biyobelirteçlerin Tespiti

Zeynep KUCUKAKCALI1, Sami AKBULUT2, Cemil COLAK1
1İnönü Üniversitesi Tıp Fakültesi Biyoistatistik ve Tıp Bilişimi Anabilim Dalı, 44280, Malatya, Türkiye
2İnönü Üniversitesi Tıp Fakültesi Biyoistatistik ve Tıp Bilişimi Anabilim Dalı, 44280, Malatya, Türkiye, İnönü Üniversitesi Tıp Fakültesi Cerrahi Anabilim Dalı, 44280, Malatya, Türkiye

Amaç: Bu çalışma, makine öğrenmesi yöntemlerinden XGBoost yöntemi kullanılarak hepatit B virüsü ilişkili hepatosellüler karsinom (HBV + HCC) ve HCC’siz kronik HBV (tek başına HBV) olan hastaların açık erişimli gen ekspresyon verilerini sınıflandırmayı ve HCC’ye neden olabilecek önemli genleri ortaya çıkarmayı amaçlamaktadır.
Yöntemler: Bu olgu-kontrol çalışmasında, yalnızca HBV + HCC ve HBV’li hastaların açık erişimli gen ekspresyonu verileri kullanılmıştır. Bu amaçla, çalışmaya HBV + HCC’li 17 hastadan ve tek başına HBV’li 36 hastadan alınan veriler dahil edildi. Sınıflandırma için on katlı çapraz geçerlilik yoluyla XGBoost modeli oluşturuldu. Model performansı için doğruluk, dengelenmiş doğruluk, duyarlılık, seçicilik, pozitif tahmin değeri, negatif tahmin değeri ve F1 skor performans metrikleri değerlendirildi.
Bulgular: Özellik seçim yöntemine göre 18 gen seçilmiş ve bu girdi değişkenleri ile modelleme yapılmıştır. XGBoost modelinden elde edilen doğruluk, dengelenmiş doğruluk, duyarlılık, özgüllük, pozitif prediktif değer, negatif prediktif değer ve F1 skoru sırasıyla %98,1, %98,6, %100, %97,2, %94,4, %100 ve %97,1 idi. XGBoost’tan elde edilen değişken önemliliği değerlerine göre, RNF26, FLJ10233, ACBD6, RBM12, PFAS, H3C11 ve GKP5 genleri, HBV ile ilişkili HCC için potansiyel biyobelirteçler olarak kullanılabilir.
Sonuçlar: Araştırma sonucunda, makine öğrenmesi temelli tahmin yaklaşımı ile HBV ile ilişkili HCC için olası biyobelirteç olabilecek genler belirlendi. Elde edilen genlerin güvenilirliği sonraki araştırmalarda klinik olarak doğrulandıktan sonra, bu genlere dayalı olarak terapötik prosedürler oluşturulabilir ve bunların klinik pratikteki yararları belgelenebilir.

Anahtar Kelimeler: Hepatosellüler karsinom, hepatit B enfeksiyonu, kronik karaciğer hastalığı, gen ifadesi


Zeynep KUCUKAKCALI, Sami AKBULUT, Cemil COLAK. Machine Learning-based Prediction of HBV-related Hepatocellular Carcinoma and Detection of Key Candidate Biomarkers. Medeniyet Med J. 2022; 37(3): 255-263

Corresponding Author: Sami AKBULUT, Türkiye


TOOLS
Full Text PDF
Print
Download citation
RIS
EndNote
BibTex
Medlars
Procite
Reference Manager
Share with email
Share
Send email to author

Similar articles
PubMed
Google Scholar





 

  Copyright © 2019 MEDJ All Rights Reserved