在舌头状细胞癌中使用机器学习策略对SEMA3C的综合生物信息学分析

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 分子生物学分子生物学

背景情况:

• 舌状细胞癌 (TSCC) 是一种具有高转移率和不良患者结局的侵袭性口腔癌.
• 确定可靠的生物标志物对于改善TSCC诊断,预后和治疗策略至关重要.

研究的目的:

• 用生物信息学和实验方法识别和验证舌状细胞癌 (TSCC) 的新生物标志物.
• 调查TSCC中潜在生物标志物的诊断和预后价值.

主要方法:

• 利用基因表达总量 (GEO) 数据库进行RNA表达数据分析.
• 采用机器学习和接收器操作特征 (ROC) 分析来识别枢纽基因.
• 使用卡普兰-梅尔曲线,基因本体学 (GO) 分析,单细胞RNA测序 (ScRNA-seq) 和体外实验验的验证结果.

主要成果:

• 塞玛林3C (SEMA3C) 被确定为TSCC的关键生物标志物,具有高的诊断准确性.
• 在TSCC组织中始终观察到高SEMA3C表达,与预后不佳相关.
• 在实验室中,SEMA3C的淘汰显著抑制了TSCC细胞的增殖,迁移和入侵.

结论:

• 上调的SEMA3C是一种潜在的新生物标志物,用于TSCC的预测性诊断,预防和预后评估.
• SEMA3C可能在TSCC进展中发挥重要作用,并可能是个性化医疗干预的目标.