이 연구는 기계학습(ML) 알고리즘과 직교 부분최소제곱 판별분석(orthogonal partial least squares-discriminant analysis, OPLS-DA)을 비교하여 부인과암(gynecologic cancer, GC)과 관련된 임상 대사 표지자를 규명하고자 하였다. 무표적 대사체 분석은 GC 환자 42명(자궁경부암[CC] 24명, 자궁내막암[EC] 9명, 난소암[OC] 9명)과 건강한 여성 참가자 57명의 혈장(plasma)에서 수행하였다. GC 군과 건강 대조군은 OPLS-DA 및 8가지 ML 알고리즘으로 분류하였다. 분류 성능이 가장 우수한 ML 알고리즘을 사용하여 CC, EC 및 OC를 건강 대상과 구분하고, 각 GC에 관여하는 대사체 후보군을 선정하였다. GC와 대조군 간 분류 모델 성능을 비교한 결과, 랜덤 포레스트(random forest, RF) 모델이 AUC(면적하곡선) 0.9999로 가장 우수한 성능을 보였다. 4개 군 전체를 구별하기 위한 다중분류 RF 모델을 구축하였으며 AUC는 0.8351에 도달하였다. CC, EC 및 OC 환자를 건강 대상과 비교하여 평가한 3개의 GC 하위군 분석 RF 모델의 AUC는 각각 0.9838, 0.7500, 0.7321이었다. 혈장 내 2개의 동정된 대사체의 농도는 GCs 환자에서 유의하게 증가하였다. 여러 ML 알고리즘을 사용하여 GC를 구분한 결과, 기존의 OPLS-DA보다 더 나은 성능을 보였다. RF 모델에서 선정된 프롤린 베타인(proline betaine)과 리소포스파티딜 에탄올아민(lysophosphatidyl ethanolamine, 18:0/0:0)은 GCs와 연관된 대사체 후보로 제안되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.