相关实验视频
Updated: Jul 16, 2025
03:36
Development of Compendium for Esophageal Squamous Cell Carcinoma
Published on: April 12, 2024
483
对肺状细胞癌基因表达数据集的机器学习分析揭示了新的预后特征
Hemant Kumar Joon1, Anamika Thalor2, Dinesh Gupta2
1Translational Bioinformatics Group, International Centre for Genetic Engineering and Biotechnology, Aruna Asaf Ali Marg, New Delhi, 110067, India; Regional Centre for Biotechnology, Faridabad, 121001, Haryana, India.
Computers in biology and medicine
|September 13, 2023
概括
识别新型肺状细胞癌 (LUSC) 生物标志物至关重要. 使用机器学习和系统生物学的一种综合方法确定了八个关键基因,这些基因可以显著预测患者的生存率.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 肺状细胞癌 (LUSC) 通常在晚期呈现,患者预后不佳.
- 对于改善LUSC诊断和治疗策略的新生物标志物有着至关重要的需求.
研究的目的:
- 确定肺状细胞癌 (LUSC) 的新型诊断和预后生物标志物.
- 利用机器学习和系统生物学来在LUSC中发现生物标志物.
主要方法:
- 利用来自NCBI-GEO存储库的多个数据集,包括癌症驱动基因的一个子集.
- 采用机器学习分类器 (kNN) 和拉索惩罚的考克斯回归来进行特征选择.
- 进行了差异性基因表达,生存分析和途径丰富分析.
主要成果:
- 在LUSC患者中确定了一组具有显著预后价值的八个关键基因.
- 在TCGA数据集上验证了这八个基因的预测能力.
- 途径分析揭示了与细胞周期,增殖和迁移途径的关联.
结论:
- 结合机器学习和系统生物学的综合方法有效地识别LUSC生物标志物.
- 识别的八个基因签名显示了基于生存结果对LUSC患者分层的潜力.
