Video Experimental Relacionado
Updated: Sep 9, 2025
04:09
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
Identificación basada en el aprendizaje automático de genes de diagnóstico y pronóstico del ciclo celular mitótico en
1Department of Bioinformatics, Institute of Health Sciences, Hacettepe University, Ankara, Turkey.
PloS one
|August 28, 2025
Resumen
El aprendizaje automático identificó genes clave del ciclo celular mitótico para el diagnóstico del carcinoma hepatocelular (HCC). Una nueva firma de ocho genes predice la supervivencia del paciente, ofreciendo nuevas herramientas para el manejo de HCC.
Área de la Ciencia:
- En el campo de la oncología
- La genética
- La bioinformática
Sus antecedentes:
- El ciclo celular mitótico (MCC) es crucial para el crecimiento y la división celular.
- La desregulación de los genes MCC está implicada en el desarrollo del carcinoma hepatocelular (HCC).
- La identificación de biomarcadores de diagnóstico y pronóstico para el CHC es esencial para un tratamiento eficaz de los pacientes.
Objetivo del estudio:
- Identificar los genes de MCC expresados diferencialmente entre el HCC y los tejidos normales.
- Desarrollar modelos de aprendizaje automático para el diagnóstico de HCC.
- Establecer una firma genética pronóstica para predecir la supervivencia global en pacientes con CHC.
Principales métodos:
- Se utilizó la eliminación recursiva de características de la máquina vectorial de soporte (SVM-RFE) y la eliminación recursiva de características forestales aleatorias (RF-RFE) para la selección de genes.
- Los modelos de aprendizaje automático fueron entrenados y validados en múltiples conjuntos de datos (TCGA, GSE77509, GSE144269).
- Se emplearon la regresión de Cox univariada y la regresión de Cox LASSO para identificar firmas genéticas pronósticas.
Principales resultados:
- SVM-RFE demostró un alto rendimiento de diagnóstico para HCC a través de conjuntos de datos (AUC hasta 1,0).
- Nueve genes de MCC (por ejemplo, CDKN3, EZH2, CDC6) mostraron sólidas capacidades de diagnóstico individuales (AUCs > 0,81).
- Una firma de ocho genes (por ejemplo, BCAT1, IGF1, SMARCA2) predijo efectivamente la supervivencia global en pacientes con CHC, independientemente de la etapa clínica.
Conclusiones:
- Los enfoques de aprendizaje automático identificaron con éxito candidatos a biomarcadores de diagnóstico para HCC.
- Se desarrolló una nueva firma genética pronóstica, que ofrece un potencial para mejorar la predicción de la supervivencia de los pacientes con CHC.
- Los genes y la firma identificados son prometedores para aplicaciones clínicas en el diagnóstico y el pronóstico del CHC.
