构建基于机器学习的异形性肺纤维化外细胞矩阵相关的预后模型

科学领域:

• 肺部医学 肺部医学
• 生物信息学是一种生物信息学.
• 在瘤学瘤学.

背景情况:

• 异形性肺纤维化 (IPF) 是一种渐进的肺部疾病.
• 细胞外基质 (ECM) 涉及到IPF的发展和预后.
• 链接ECM与IPF进展的机制需要进一步阐明.

研究的目的:

• 建立和验证IPF的ECM相关的预后模型.
• 研究ECM,免疫细胞透和IPF结果之间的关系.
• 确定与IPF预后相关的关键基因和途径.

主要方法:

• 在GSE70866数据集上使用了机器学习算法 (LASSO,随机森林,SVM).
• 使用ssGSEA来比较风险组之间的免疫细胞透.
• 进行了途径丰富分析,并通过外部IPF数据和单细胞分析验证了模型.

主要成果:

• 建立了一个ECM相关的风险模型,区分高风险 (更差的存活率) 和低风险IPF患者.
• 该模型表现出强大的预测性能,AUC值为0.786 (1年),0.767 (2年) 和0.768 (3年).
• 风险群体之间观察到免疫细胞透和丰富的化学激素通路的显著差异;模型基因表现出差异性表达.

结论:

• 基于CST6,PPBP,CSPG4,SEMA3B,LAMB2,SERPINB4和CTF1的ECM相关预后模型已成功开发和验证.
• 这个模型准确地预测了IPF患者的结果.
• 这些发现强调了ECM和免疫透在IPF预后中的作用.