通过机器学习方法和NMF算法,对胃癌中Helicobacter pylori的枢纽基因鉴定和分子亚型构造

科学领域:

• 在瘤学瘤学.
• 微生物学 微生物学
• 生物信息学是一种生物信息学.

背景情况:

• 杆菌 (HP) 是胃炎,胃潰瘍和胃癌 (GC) 的主要危險因素,被列為第一組致癌物.
• 了解HP驱动的瘤性途径对于改善GC患者的治疗结果至关重要.
• 识别与HP感染相关的关键基因对于阐明GC的分子机制至关重要.

研究的目的:

• 在胃癌中识别与Helicobacter pylori感染相关的关键基因.
• 为GC开发一种新的HP相关瘤分类系统.
• 探索在GC中发现的HP相关基因的诊断和预后价值.

主要方法:

• 利用非阴性矩阵因子化 (NMF) 来对基于HP相关基因的TCGA-STAD,GSE15459和GSE84433数据集进行聚类.
• 采用机器学习算法,包括支持矢量机器-递归特征消除 (SVM-RFE) 和随机森林 (RF),以识别枢纽基因.
• 使用ROC曲线和卡普兰-梅尔分析验证了枢纽基因的诊断和预后意义,并通过qRT-PCR和免疫组织化学评估了它们的表达.

主要成果:

• 聚类揭示了两组不同的GC样本,具有不同的临床结果和免疫透.
• 使用ML策略识别了12个与HP感染相关的枢纽基因.
• 鉴定到的枢纽基因在GC中表现出显著的诊断价值和预后意义.
• 功能丰富分析将这些基因与EMT,细胞周期和亡等关键癌症途径联系起来.

结论:

• 在GC中建立了HP相关瘤的新型分类.
• 确定了12个枢纽基因作为GC诊断和预后的潜在生物标志物.
• 这些发现可能有助于为HP感染的GC患者开发分子诊断和个性化治疗策略.