Biological knowledge-slanted random forest approach for the classification of calcified aortic valve stenosis

Antecedentes: la estenosis valvular aórtica calcificada (CAVS) es una enfermedad mortal y no existe un tratamiento farmacológico para prevenir la progresión de la CAVS. Este estudio tiene como objetivo identificar genes potencialmente implicados con CAVS en pacientes con válvula aórtica bicúspide congénita (BAV) y válvula aórtica tricúspide (TAV) en comparación con pacientes que tienen válvulas normales, utilizando un bosque aleatorio inclinado (RF) de conocimiento. Resultados: Este estudio implementó un bosque aleatorio inclinado de conocimiento (RF) utilizando información extraída de una red de interacciones proteína-proteína para clasificar genes con el fin de modificar su probabilidad de selección para dibujar las variables divididas candidatas. Se evaluaron un total de 15.191 genes en 19 válvulas con CAVS (BAV, n = 10; TAV, n = 9) y 8 válvulas normales. El desempeño del modelo se evaluó usando precisión, sensibilidad y especificidad para discriminar casos con CAVS. También se realizó una comparación con RF convencional. El rendimiento de este enfoque propuesto informó una precisión mejorada en comparación con la RF convencional para clasificar los casos por separado con BAV y TAV (RF inclinada: 59,3% frente a 40,7%). Cuando los pacientes con BAV y TAV se agruparon contra pacientes con válvulas normales, la adición de información biológica previa no fue relevante con una precisión del 92,6%. Conclusión: El enfoque de RF basado en el conocimiento reflejó el conocimiento biológico previo, lo que llevó a una mejor precisión para distinguir entre casos con BAV, TAV y válvulas normales. Los resultados de este estudio sugieren que la integración del conocimiento biológico puede ser útil durante tareas de clasificación difíciles.

• Autores: Guauque Olarte, Sandra; Cantor, Erika; Rosas, Harvey; Salas, Rodrigo
• Tipo de recurso: Article of investigation
• Fecha de publicación: 2021
• Institución: Universidad Cooperativa de Colombia
• Repositorio: Repositorio UCC
• OAI Identifier: oai:repository.ucc.edu.co:20.500.12494/46729
• Acceso en línea: https://doi.org/10.1186/s13040-021-00269-4; https://hdl.handle.net/20.500.12494/46729
• Palabra clave: enfermedad de la válvula aórtica calcificada; selección de genes; Aprendizaje automático; Conocimiento previo; Calcific aortic valve disease; Gene-selection; Machine learning; Prior-knowledge
• Rights: openAccess
• License: Atribución