使用随机森林模型识别重要的微生物和基因组生物标志物,以区分右侧与左侧结直肠癌

科学领域:

• 基因组学就是基因组学.
• 微生物组研究的研究.
• 机器学习在瘤学中

背景情况:

• 大肠直肠癌 (CRC) 是一种异质性疾病,具有不同的临床行为和预后.
• 右侧结肠直肠癌 (RCC) 和左侧结肠直肠癌 (LCC) 在治疗反应和患者结局方面存在差异.
• 缺乏用于区分RCC和LCC的既定生物标志物.

研究的目的:

• 应用随机森林 (RF) 机器学习方法来识别区分RCC和LCC的基因组和微生物生物标志物.
• 探索机器学习在发现不同结直肠癌亚型的新生物标志物的潜力.
• 通过综合基因组和微生物分析,增强对CRC异质性的理解.

主要方法:

• 利用来自308个CRC瘤样本的RNA-seq表达数据.
• 开发了三种射频模型:仅基因,仅微生物和组合基因和微生物.
• 采用了特征重要性和侧面特定关联的差异表达分析的顺序测试.

主要成果:

• 使用射频模型实现了高精度 (90%基因组,70%微生物,87%组合).
• 确定了15个重要的基因,54种微生物,以及28个基因和18种微生物的组合.
• 突出了PRAC1,HOXB13,Ruminococcus gnavus和Fusobacterium nucleatum作为主要的区分特征.

结论:

• 鉴定的基因和微生物显示已知与CRC的关联,加强了它们的生物相关性.
• 射频模型提供了一种敏感的方法来识别相互连接的基因组和微生物生物标志物.
• 这项研究为开发针对RCC和LCC的向生物标志物提供了基础.