多种机器学习工具识别了急性髓性白血病的预后生物标志物

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 遗传学 是一个遗传学.

背景情况:

• 急性髓性白血病 (AML) 是一个重大挑战,其治疗后的生存率通常很低.
• 对于新的生物标志物来提高AML患者的预后准确性,这是非常必要的.
• 机器学习方法在识别潜在生物标志物方面变得越来越重要.

研究的目的:

• 使用多个机器学习模型识别与急性髓性白血病 (AML) 预后相关的关键基因.
• 验证AML和各种癌症中已识别的基因的诊断和预后价值.
• 探索这些基因与AML免疫亚型和免疫检查点的相关性.

主要方法:

• 应用各种机器学习算法,包括LASSO,SVM-RFE,RF和XGBoost用于基因查.
• 使用癌症基因组图谱 (TCGA) 进行全癌症分析,以评估基因相关性.
• 在不同的数据集上进行验证分析,以确认所选基因的诊断效用.

主要成果:

• 生存分析确定了26个差异表达的基因,其中DNM1,MEIS1和SUSD3被选为关键基因.
• 全癌症分析显示,MEIS1和DNM1在AML中高度表达,MEIS1/SUSD3是风险因素,DNM1是保护因素.
• 这三个关键基因与AML免疫亚型和免疫检查点有显著的关联,并且具有潜在的诊断价值.

结论:

• 通过应用多种机器学习技术,DNM1,MEIS1和SUSD3已被确定为急性髓性白血病 (AML) 的有希望的预后生物标志物.
• 这些基因有可能改善患者的治疗结果,并指导AML管理中的治疗策略.