通过结合机器学习和高通量测序来开发和验证宫癌的预后模型
Rui Shi1, Linlin Chang1, Liya Shi2
1Department of Obstetrics and Gynecology, Shanghai East Hospital, Tongji University School of Medicine, Shanghai, 200120, China.
概括
这项研究使用机器学习和基因表达数据开发了宫癌的预后模型. 该模型准确地预测了患者的生存率,为这种疾病的临床管理提供了新的见解.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 宫癌的死亡率很高,晚期的治疗选择有限.
- 对于宫癌的现有预后指标是不够的.
- 开发新的预后工具对于改善患者的治疗结果至关重要.
研究的目的:
- 开发一个宫癌的预后模型.
- 将高吞吐量测序数据与机器学习算法集成.
- 确定宫癌患者可靠的预后指标.
主要方法:
- 结合单细胞RNA测序 (scRNA-seq) 和子宫癌TCGA数据.
- 使用LASSO回归来进行特征选择,以识别差异表达基因 (DEG).
- 使用六个机器学习算法构建了一个预测模型,包括随机森林,并对其进行外部验证.
主要成果:
- 成功开发了一个使用DEGs从批量和scRNA-seq数据的预后模型.
- 确定了十个关键基因 (CXCL8, DLC1, GRN, MPLKIP, PRDX1, RUNX1, SNX3, TFRC, UBE2V2, UQCRC1) 用于模型构建.
- 随机森林模型显示出优异的预测性能,高风险患者的整体存活率明显降低.
结论:
- 开发的预后模型有效地评估了宫癌的预后.
- 该模型基于综合测序数据的DEG,为临床管理提供了宝贵的见解.
- 这种方法提高了预测宫癌患者结果的能力.
