一种深度学习方法,用于基于质亡相关基因的肺腺癌预后评估
Pengchen Liang1,2, Jianguo Chen3, Lei Yao2
1Shanghai Key Laboratory of Gastric Neoplasms, Department of Surgery, Shanghai Institute of Digestive Surgery, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai 200020, China.
Biomedicines
|May 27, 2023
概括
研究人员开发了一个深度神经网络模型,使用九个与cuproptosis相关的基因来预测肺腺癌的预后. 该模型有助于个性化的生存预测,并确定潜在的治疗点,以改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 肺腺癌 (LUAD) 是一个重大的全球卫生挑战,尽管治疗进展,但许多患者的预后不佳.
- 识别新的预后标志物和预测模型对于改善LUAD患者的结果至关重要.
研究的目的:
- 为了识别与肺腺癌相关的与cuproptosis相关的基因 (CRGs).
- 开发和验证一个深度神经网络 (DNN) 模型,用于使用CRG预测LUAD预后.
- 探索DNN模型对个性化治疗策略的临床实用性.
主要方法:
- 使用癌症基因组图谱 (TCGA) 数据对CRG的差异表达分析.
- 开发一个基于DNN的预后模型,包含9个已识别的CRG.
- 使用基因表达综合 (GEO) 数据和生存分析验证DNN模型.
主要成果:
- 整合9个CRG的DNN模型显示出显著的预后能力 (AUC0.732培训,0.646验证) 并区分风险组 (p < 0.001).
- 该模型被证明是一个独立的预后预测指标 (p < 0.001),并提供了个性化的生存概率 (一致性指数0.795).
- 功能分析揭示了不同风险群体之间的细胞通路,免疫微环境和瘤突变负担,BMS-754807被确定为潜在的治疗剂.
结论:
- 一个基于9个CRG的新型DNN预后模型已经开发出来,用于肺腺癌.
- 这种模型提供了独立的预后价值,并使个性化的生存预测成为可能.
- 该模型有助于识别潜在的治疗药物,从而有可能改善LUAD患者的治疗结果.
更多相关视频
06:03Orthotopic Transplantation of Syngeneic Lung Adenocarcinoma Cells to Study PD-L1 Expression
Published on: January 19, 2019
17.1K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
150