整合机器学习来开发与结直肠癌中编程细胞死亡相关的预后特征

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 结肠直肠癌 (CRC) 是一个具有复杂分子基础的全球重大健康挑战.
• 编程细胞死亡 (PCD) 机制在CRC中至关重要,影响瘤生长和治疗耐药性.
• 准确预测CRC预后对于有效的患者管理至关重要.

研究的目的:

• 通过将机器学习与编程细胞死亡 (PCD) 相关基因相结合,开发一种新的结直肠癌 (CRC) 的预后特征.
• 为了提高CRC诊断预测的准确性和精度.
• 在CRC的PCD途径中识别潜在的治疗点.

主要方法:

• 从TCGA和GEO数据集分析了表达数据和临床信息.
• 确定并编制了15种PCD类型和相关的基因组.
• 多个机器学习算法 (Lasso,Ridge,RSF等) 整合并验证用于预后模型构建.

主要成果:

• 综合模型确定了差异表达的PCD基因,并将CRC分层分为四种预后亚型.
• RSF + Ridge模型组合在预测CRC结果方面表现出卓越的性能.
• 开发的编程细胞死亡评分 (PCDS) 有效地将患者分为高风险和低风险组,具有显著的生存差异.

结论:

• 整合机器学习模型显著提高CRC预后预测.
• 开发的PCD相关的预后签名显示了CRC个性化治疗策略的前景.
• 这种方法为更有效和量身定制的CRC治疗干预提供了基础.