脏清洁细胞癌的转录风险得分使用XGBoost和多个omics数据

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:

• 脏清细胞癌 (KIRC) 是癌症死亡的一个重要原因.
• 目前使用单核酸多态 (SNP) 数据的多基因风险评分 (PRS) 模型对KIRC风险评估有局限性.
• 整合多omics数据为改进KIRC风险预测提供了一个有希望的途径.

研究的目的:

• 开发一种新的转录风险评分 (TRS) 方法,将多omics数据纳入KIRC风险评估.
• 评估与现有模型相比,多组学TRS的预测性能.
• 评估TRS作为KIRC中的预后指标的实用性.

主要方法:

• 收集了来自TCGA的KIRC患者的多omics数据 (DNA甲基化,miRNA,mRNA,lncRNA).
• 开发了一种新的TRS方法,使用XGBoost机器学习模型与多omics数据.
• 使用卡普兰-梅尔 (KM) 曲线进行流行分析和预后预测.

主要成果:

• 与线性模型和其他机器学习方法相比,开发的多omics TRS 方法显示出优异的预测性能.
• 组合的多omics TRS 模型实现了比单个omics TRS 模型更高的预测准确性.
• 卡普兰-梅尔曲线分析证实TRS是KIRC癌症分期的有效预后指标.

结论:

• 拟议的多omics TRS 方法增强了 KIRC 风险评估,超出了传统的基于 SNP 的 PRS.
• 这种新的方法为KIRC的诊断和预后预测提供了更准确和更强大的工具.
• 这些发现表明,整合多样化的OMIC数据可以显著改善癌症风险分层和患者的治疗结果.