在前列腺癌中使用集成机器学习方法识别可信的候选人

科学领域:

• 基因组学和生物信息学
• 机器学习在医学中的应用
• 癌症生物标志物发现发现

背景情况:

• 前列腺特异性抗原 (PSA) 是前列腺癌 (PCa) 的常见但不完美的生物标志物.
• 现有的生物标志物可以导致错误的阳性和不必要的程序在老年人.
• 需要更准确的生物标志物用于PCa诊断和预后.

研究的目的:

• 通过分析基因和突变数据来确定前列腺癌的潜在预后生物标志物.
• 开发PCa的风险预测模型,以帮助临床决策.
• 探索PCa,糖尿病和肥胖之间的共同遗传联系.

主要方法:

• 文献综述和PCa,糖尿病和肥胖的临床参数的收集.
• 机器学习 (ML) 在半二进制转换数据上的应用.
• 交叉检查公共数据集 (RNA-seq,全外因子测序) 来识别共同的基因.
• 使用GeneMANIA和Cytoscape进行交互原子网络分析.
• 使用cBioportal和GEPIA 2进行表达分析,包括生存图.

主要成果:

• BLM被确定为PCa,糖尿病和肥胖症中常见的基因.
• 发现SPFTPC和PPIMB在数据集,GWAS和测序发现中是常见的.
• TMPO和FOXP1被确定为与BLM互动的合作伙伴.

结论:

• 开发了一种概率机器学习模型,以识别关键候选人,将糖尿病,肥胖和PCa联系起来.
• 该模型旨在促进精准医学,以改善PCa预后.
• 这种方法可以提高临床决策和患者的结果.