《Computational Biology and Chemistry》：Fractional Bitterling Fish Optimization-based Deep Learning for Diagnosing Colorectal Cancer using Genetic Mutations and Demographic Factors
编辑推荐：
•基因选择过程采用分数贝蒂林鱼优化（FBFO）方法进行。•数据增强通过自举方法实现。•数据标准化阶段使用Peldschus标准化方法完成。引言目前，高通量系统（如RNA测序和微阵列）的进步使得生成基因表达谱变得更加普遍，有助于更好地理解癌症（Aziz等人，2016年）。已经设计了
- •
基因选择过程采用分数贝蒂林鱼优化（FBFO）方法进行。
- •
数据增强通过自举方法实现。
- •
数据标准化阶段使用Peldschus标准化方法完成。
引言
目前，高通量系统（如RNA测序和微阵列）的进步使得生成基因表达谱变得更加普遍，有助于更好地理解癌症（Aziz等人，2016年）。已经设计了多种技术，基于临床、组织病理学、表观遗传学、拷贝数变异（CNVs）和单基因改变来进一步分类结直肠癌的亚型（Jass，2007年；Budinska等人，2013年）。这些因素有助于从不同角度理解同一潜在的生物学过程。CpG岛甲基化表型（CIMP）被认为是结直肠癌异质性的一个重要分子原因（Budinska等人，2013年）。临床、病理和人口统计数据有限，而遗传数据量庞大，这使得全基因组突变分析变得复杂且耗时。因此，遗传学研究通常集中在特定的癌症相关通路或基因上，导致遗传学研究之间的重叠较少。传统的初始治疗计划和预后判断基于癌症亚型和诊断阶段，通常使用分期系统，如肿瘤-淋巴结-转移（TNM）分类。然而，仅凭癌症分期不足以准确预测患者的生存情况，因为还需要考虑其他临床病理学因素和分子标志物，例如特定的基因突变和合并症（Gammall和Lai，2022年）。结直肠癌是一种异质性疾病，其肿瘤在临床病理学上可能相似，但在治疗反应和患者预后方面存在显著差异，而这些差异目前仅能部分通过已知的分子机制得到解释（Salimy等人，2023年）。这种癌症是基因型和表型都存在异质性的疾病，其特征是表现出不同的分子特征（Koppad等人，2022年）。
结直肠癌是全球第四大常见癌症，也是导致癌症相关死亡的第三大原因（Koppad等人，2022年；Siegel等人，2014年）。此外，该疾病的发病率和死亡率都很高，并且呈上升趋势。吸烟和饮酒等几个因素可能是导致结直肠癌发生的原因（Bostanci等人，2023年）。由于其异质性，结直肠癌的发病涉及多种基因和环境因素。表观遗传学指的是基因表达的变化，而基础DNA序列没有发生改变。主要的表观遗传学修饰包括DNA甲基化、组蛋白的转录后修饰以及非编码RNA介导的基因表达变化（Sardari和Usefi，2023年）。结直肠癌受性别影响显著，男性的死亡率明显高于女性（White等人，2018年）。切除标本的病理特征是术后预后的重要指标。临床上，结直肠癌的诊断依赖于某些环境因素、分子亚型、组织学分级和肿瘤分期（He等人，2025年）。与其他恶性肿瘤一样，结直肠癌的诊断依赖于早期发现，这与精确的诊断和分期相结合是疾病恢复的最有效医疗策略（Ye等人，2023年）。早期预后可以提高患者获得精准治疗计划的机会（Salimy等人，2023年；Bach等人，2021年）。由于结直肠癌的治疗选择有限，因此需要更好的工具来预测患者的生存情况。已经进行了多项研究以寻找癌症的致病因素（Salimy等人，2023年；Manolio，2010年），以及影响它的基因组和转录组因素，还有相应的诊断和治疗策略（Salimy等人，2023年）。
组学技术的发展，如微阵列、RNA测序（RNAseq）、下一代测序（NGS）和质谱分析，促进了分子标记在结直肠癌诊断中的应用（Dalal等人，2020年；Chen等人，2019a）。当前的研究利用基因微阵列和高通量测序技术来探索结直肠癌中差异表达的新基因（Koppad等人，2022年；Chen等人，2019a）。然而，现有的结直肠癌检测方法（如粪便隐血检测和结肠镜检查）存在局限性，如灵敏度和特异性较低，以及出血问题。此外，许多患者是在结直肠癌晚期才接受治疗的。因此，迫切需要快速可靠的检测技术来诊断和预测结直肠癌的预后（Bostanci等人，2023年）。尽管癌胚抗原（CEA）被认为是最常见的结直肠癌筛查生物标志物，但它缺乏灵敏度和特异性（Ye等人，2023年）。结肠镜检查虽然准确但具侵入性，可能会降低患者的依从性。因此，需要一种创新的、非侵入性的诊断工具，既能保证高准确性又能提高患者的依从性，从而提高早期检测的效果（Han等人，2025年）。机器学习（ML）使计算机能够根据数据构建模型，并已应用于医疗保健的多个领域（Bostanci等人，2023年；Chen等人，2019b）。特别是利用健康记录的ML系统为解决医疗问题提供了巨大机会（Bostanci等人，2023年）。基于图像的ML方法，尤其是深度学习（DL），最近在预后预测和医学图像分类方面展示了专家级的准确性（He等人，2025年；Bychkov等人，2018年）。还开发了一些非视觉技术，利用人工神经网络（Bychkov等人，2018年；Schneider和Langner，2014年）来进行结直肠癌的诊断和生存预测。然而，这些方法可能存在过拟合、偏见和可解释性不足的问题。这些可以通过使用新开发的基于混合优化的DL框架来解决。
本研究的目的是引入FBFO_HCNN，利用基因突变和人口统计数据来诊断结直肠癌。首先，使用FBFO选择基因表达数据，并通过自举方法进行数据增强，生成输出-1。同时，使用Peldschus标准化方法对人口数据进行标准化。此外，FBFO用于选择最相关的特征。为了增加数据量，在增强阶段使用自举方法，得到输出-2。最后，将这两个输出合并作为输入，用于HCNN来诊断结直肠癌。HCNN通过FBFO进行微调。FBFO结合了分数微积分（FC）和贝蒂林鱼优化（BFO）。
本研究的主要组成部分如下：
- ?
提出的FBFO_HCNN用于诊断结直肠癌：在这种新颖方法中，FBFO_HCNN被设计为一种结合基因和人口数据的有效诊断方法。这里，HCNN使用FBFO进行优化。FBFO是将BFO与FC相结合的结果。
FBFO_HCNN的结构如下：第2节描述了结直肠癌的传统模型，第3节阐述了FBFO_HCNN的方法论，第4节描述了FBFO_HCNN的分析，第5节包括结论和未来工作。
部分摘要
动机
早期和准确的结直肠癌诊断可以改善患者的预后和生存率。诊断模块、ML方法和DL技术的进步提供了更精确检测的潜力，减少了误诊并实现了及时干预。然而，成像质量的变异性、与良性疾病的特征重叠以及用于训练稳健模型的标记数据有限，这些都是现有方法的局限性。因此，本研究
基于分数贝蒂林鱼优化的分层卷积神经网络用于结直肠癌诊断
结直肠癌影响着全球的男性和女性，其在不同地区的发病率和分布存在显著差异。饮食中水果和蔬菜摄入不足、肥胖、吸烟和缺乏运动等风险因素是导致癌症的主要原因。然而，近年来，尽管之前风险较低，世界各国新开发的国家结直肠癌发病率显著上升。因此，开发了FBFO_HCNN
结果与讨论
下文对FBFO_HCNN进行了算法和对比评估。该评估参考了现有模型的相关指标。此外，还说明了实验设置、数据集描述和性能指标的数学表达式。
结论
结直肠癌是全球最致命的癌症之一，对公共卫生有重大影响。早期发现对于提高生存率至关重要，但传统的诊断方法具有侵入性和耗时性。此外，由于其症状微妙和形态学相似性，诊断过程较为复杂。应对这些挑战对于开发基于基因突变和人口因素的可靠诊断模块FBFO_HCNN至关重要。
CRediT作者贡献声明
Dabbu Murali：监督、验证、可视化。Eelanpati Srinivasa Raju：研究、项目管理、资源协调、撰写 – 审稿和编辑。Madduri Deepika：撰写 – 原稿撰写、概念化、方法论设计、项目管理、资源协调、软件开发。
利益冲突声明
作者声明他们没有已知的可能会影响本文研究报告工作的财务利益或个人关系。
Madduri Deepika|Eelanpati Srinivasa Raju|Dabbu Murali
