Exploring genetic patterns in cancer transcriptomes: an unsupervised learning approach

Abstract

Cancer is a complex and heterogeneous disease that represents a major global public health concern due to its escalating casualty rates and the absence of effective treatments. RNA mutations and modifications have been shown to play a crucial role in the development and progression of tumors. In this context, the molecular study of the cancer biology is of paramount importance, due to its relevance in classifying and comparing multiple cancer types and subtypes, allowing the development of more personalized therapies and increasing the treatment success. However, although RNA-seq technologies, such as Illumina Hiseq sequencing, have revolutionized medical research, they involve the analysis of complex and extensive amounts of data. Unsupervised machine learning techniques can be of unparalleled help in creating novel cancer classifications, surpassing the limitations of traditional techniques. In the present work, different dimensionality reduction approaches, such as PCA and UMAP, and several unsupervised algorithms, including partitioning, density based, hierarchical and model based algorithms, were tested in order to identify types and/or subtypes of cancer according to their gene expression. Several algorithms, namely, k-means, PAM, CLARA and agglomerative hierarchical algorithms using the UMAP technique for dimensional reduction, demonstrated the ability to classify gene expression data with a high degree of accuracy forming well separated clusters. These results confirm the potential of these algorithms to contribute to the fight against cancer.

El cáncer es una enfermedad compleja y heterogénea que representa un importante problema de salud pública mundial debido a su creciente número de víctimas y a la ausencia de tratamientos eficaces. Se ha demostrado que las mutaciones y modificaciones del ARN desempeñan un papel crucial en el desarrollo y la progresión de los tumores. En este contexto, el estudio molecular de la biología del cáncer es de suma importancia, debido a su relevancia en la clasificación y comparación de múltiples tipos y subtipos de cáncer, permitiendo el desarrollo de terapias personalizadas y aumentando el éxito del tratamiento. Sin embargo, aunque las tecnologías RNA-seq, como la secuenciación Illumina Hiseq, han revolucionado la investigación médica, implican el análisis de cantidades extensas de complejos datos. Las técnicas de aprendizaje automático no supervisado pueden ser de gran ayuda para crear nuevas clasificaciones del cáncer, superando las limitaciones de las técnicas tradicionales. En este trabajo, se probaron diferentes enfoques de reducción de la dimensionalidad, como PCA y UMAP, y varios algoritmos no supervisados, incluidos algoritmos de partición, basados en la densidad, jerárquicos y basados en modelos, con el fin de identificar tipos y/o subtipos de cáncer según su expresión génica. Varios algoritmos, como k-means, PAM, CLARA y algoritmos jerárquicos aglomerativos utilizando la técnica UMAP para la reducción dimensional, demostraron la capacidad de clasificar los datos de expresión génica con un alto grado de precisión formando grupos bien separados. Estos resultados confirman el potencial de estos algoritmos para contribuir a la lucha contra el cáncer.