ACCacia, une approche de machine-learningpour la classification moléculaire des corticosurrénalomes en routine clinique

Autor: Gravrand, V., Violon, F., Birtolo, M.F., Benkhellat, M., Letourneur, F., Adoux, L., Perlemoine, K., Benanteur, N., Bonnet-Serrano, F., Gaillard, M., Libe, R., Guignat, L., Groussin, L., Bouys, L., Bessiene, L., Vaczlavik, A., Vaduva, P., Amar, L., Baudin, E., Jannin, A., Drui, D., Laboureau, S., Goichot, B., Lasolle, H., Cristante, J., Tabarin, A., Vezzosi, D., Castinetti, F., Sonnet, E., Lussey-Lepoutre, C., Lefebvre, H., Sibony, M., Bertherat, J., Jouinot, A., Assie, G.
Zdroj: Annales d'Endocrinologie; October 2024, Vol. 85 Issue: 5 p394-394, 1p
Abstrakt: Le pronostic des corticosurrénalomes est hétérogène. La classification transcriptomique sépare les adénomes (cluster « C2 ») des corticosurrénalomes et en identifie deux clusters, « C1A » et « C1B » de pronostic différent. Le RNA-seq3′ permet de déterminer le transcriptome sur tissus fixés et inclus en paraffine, même sur des ARN très dégradés, mais au prix de données manquantes sur 10 à 50 % des transcrits. Notre objectif est de tester un algorithme de réseau de neurones pour prédire la classe moléculaire en routine.
Databáze: Supplemental Index
Externí odkaz: