在基于机器学习的ccRCC中识别AKI签名和分类模式
Li Wang1, Fei Peng2, Zhen Hua Li3
1Department of Nephrology, Changzheng Hospital, Naval Medical University, Shanghai, China.
这项研究确定了使用机器学习预测早期急性损伤 (AKI) 的七种新生物标志物,为风险分层提供了一个新的名谱,并对AKI在清细胞细胞癌 (ccRCC) 预后中的作用提供了洞察力.
科学领域:
- 生物标志物和机器学习
- 细胞癌研究 细胞癌研究
- 免疫学和瘤学
背景情况:
- 早期发现急性损伤 (AKI) 对缓解至关重要,但预测生物标志物有限.
- AKI和清细胞细胞癌 (ccRCC) 之间的相互作用需要进一步阐明.
- 需要新的生物标志物来改善AKI预测,并了解其与ccRCC的关系.
研究的目的:
- 通过机器学习算法识别用于预测AKI的新生物标志物.
- 研究AKI生物标志物和ccRCC亚型之间的相关性.
- 开发AKI风险分层的预测模型.
主要方法:
- 从基因表达综合 (GEO) 数据库下载和分析了四个公开的AKI数据集 (GSE126805,GSE139061,GSE30718,GSE90861) 和一个验证数据集 (GSE43974).
- 利用R组 limma识别AKI和正常脏组织之间的差异表达基因 (DEG).
- 采用四种机器学习算法来识别新的AKI生物标志物,并使用ggcor.com计算与免疫细胞的相关性.
- 根据AKI签名识别和验证了两个不同的ccRCC亚型.
主要成果:
- 使用四种机器学习方法识别了七个强大的AKI签名.
- 在AKI集群中显著增加了免疫细胞的透,包括CD4 T细胞,自然杀手细胞和中性粒细胞.
- 开发了一种高分辨率 (AUC 0.919培训,0.945测试) 和良好的校准的AKI风险预测名录.
- 证明AKI签名可以区分ccRCC亚型 (CS1) 以改善生存和药物敏感性.
结论:
- 成功识别了七个与AKI相关的生物标志物,并开发了一种用于分层AKI风险预测的名谱.
- 证实了AKI签名在预测ccRCC预后和患者结果方面的实用性.
- 为AKI的早期预测及其与ccRCC的关联提供了新的见解,突出了潜在的治疗点.
更多相关视频
10:25Identification of the Source of Secreted Proteins in the Kidney by Brefeldin A Injection
Published on: November 10, 2021
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Acute Kidney Injury I: Introduction
Acute Kidney Injury IV: Diagnostic Studies and Prevention
Acute Kidney Injury II: Pathophysiology
Chronic Kidney Disease I: Introduction
Acute Kidney Injury III: Clinical Manifestations
Chronic Kidney Disease III: Interprofessional Care
