使用免疫基因表达和经过训练和验证的支持矢量机分类器的临床数据来预测肺腺癌的复发
Yingran Shen1, Chandra Goparaju2, Yang Yang1
1Department of Thoracic Surgery, Tongji University Affiliated Shanghai Pulmonary Hospital, Shanghai, China.
Translational lung cancer research
|November 29, 2023
概括
整合免疫基因表达和临床数据的机器学习模型显著改善了肺癌复发预测的准确性. 这种方法增强了早期检测和干预策略,以获得更好的患者生存结果.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 瘤免疫微环境对于癌症的发展和复发至关重要.
- 机器学习 (ML) 算法可以分析复杂的数据来预测肺癌复发.
- 早期发现肺癌复发对于改善患者的生存率至关重要.
研究的目的:
- 评估肺癌复发的临床和基因组预后因素.
- 为了比较四个ML模型对肺癌复发的预测准确度.
- 识别与瘤进展相关的免疫细胞特征和分子驱动因素.
主要方法:
- 分析了41名早期肺癌患者的数据.
- 使用CIBERSORT的量化瘤透免疫细胞 (TIICs).
- 构建了蛋白质-蛋白质相互作用 (PPI) 网络并进行了KEGG通路分析.
- 开发了使用临床和基因组特征的整体线性内核支持向量机 (SVM) ML模型.
主要成果:
- 激活的NK细胞,M0巨细胞和M1巨细胞与进展正相关;T CD4+记忆休息细胞与负相关.
- 在PPI网络中,TNF和IL6被确定为突出的枢纽基因.
- 在线性SVM模型中将临床病理因素与瘤和皮外套基因表达集成,实现了高预测准确性 (AUC 92.0%培训,91.7%验证).
结论:
- 利用来自瘤组织和毛的免疫基因表达数据的ML算法可以提高肺癌复发预测.
- 综合基因组和临床数据显著提高了复发预测模型的精度.
