机器学习识别了9个外体RNA的签名,可以预测肝细胞癌

科学领域:

• 在瘤学瘤学.
• 生物标志物发现发现
• 生物信息学是一种生物信息学.

背景情况:

• 肝细胞癌 (HCC) 是全球癌症死亡的主要原因.
• 阿尔法胎儿蛋白 (AFP) 是一种常见的,但往往不够敏感/特定的HCC生物标志物.
• 外体RNA为癌症诊断提供了一个新的途径,但其在HCC中的作用需要进一步调查.

研究的目的:

• 在外体RNA数据上使用机器学习识别HCC的预测特征.
• 评估外体RNA作为HCC的最小侵入性生物标志物的诊断潜力.

主要方法:

• 机器学习分析了来自118名HCC患者和112名健康对照者的114,602个外体RNA.
• 使用排列重要性和预测模型验证与支持矢量机 (SVM) 分类器进行特征选择.
• 在一个看不见的测试集中,对六个模型中的九个已识别的预测特征进行了评估.

主要成果:

• 鉴定出9种外体RNA的特征可以预测HCC.
• 这些生物标志物主要与免疫,血小板/中性粒细胞和细胞骨通路有关.
• 在一个看不见的测试组中,识别的特征显示出强大的预测性能 (ROC-AUC 0.79-0.88).

结论:

• 这九种已识别的外体RNA显示出潜在的临床有用性,用于检测HCC的最小侵入性生物标志物.
• 这种外体RNA特征为当前的HCC诊断方法提供了一个有前途的替代方案或补充.
• 需要进一步的临床验证,以确定这些外体RNA生物标志物在HCC管理中的有用性.