一种机器学习方法用于预测与前列腺癌相关的生物标志物.
Yanqiu Tong1,2, Zhongle Tan3, Pu Wang4
1Laboratory of Forensic Medicine and Biomedical Informatics, Chongqing Medical University, 400016 Chongqing, China.
Frontiers in bioscience (Landmark edition)
|January 5, 2024
概括
这项研究使用机器学习和蛋白质-蛋白质相互作用网络确定了关键基因,以作为前列腺癌 (PCa) 的诊断和预后生物标志物. 这些生物标志物可以改善PCa诊断,并有助于开发新的临床试验药物.
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:
- 前列腺癌 (PCa) 是西方男性常见的一种恶性瘤.
- 确定可靠的诊断和预后生物标志物对于PCa管理至关重要.
- 生物标志物有助于查药物标,了解途径,并降低实验成本.
研究的目的:
- 确定和验证前列腺癌 (PCa) 的有前途的诊断和预后生物标志物.
- 为了利用机器学习和网络分析来发现生物标志物.
- 开发PCa患者的预后风险模型.
主要方法:
- 利用机器学习和蛋白质与蛋白质相互作用 (PPI) 网络来分析PCa生物标志物.
- 对诊断生物标志物进行了多个数据库验证和文献审查.
- 在预后基因查和风险模型开发中采用单变量和逐步多变量考克斯回归.
主要成果:
- 确定了9个枢纽基因,包括UBE2C,CCNB1,TOP2A,TPX2,CENPM,F5,APOE,NPY和TRIM36.
- 在多个数据库中验证了这些枢纽基因,揭示了它们在重要途径中的参与.
- 开发了一个四基因预后风险模型,包括TOP2A,UBE2C,MYL9和FLNA.
结论:
- 机器学习和PPI网络成功地确定了PCa的诊断和预后生物标志物.
- 开发的风险模型提高了PCa患者的诊断准确性.
- 这种方法有助于预测临床试验中的新药疗效.
