基于RNA测序的自相关基因的诊断模型的基于机器学习的预测,用于患有乳头甲状腺癌的患者

科学领域:

• 在瘤学瘤学.
• 分子生物学分子生物学
• 遗传学 是一个遗传学.

背景情况:

• 乳头甲状腺癌 (PTC) 是最常见的甲状腺癌形式.
• 自被认为是PTC发展和进展的重要因素.

研究的目的:

• 开发一种新的PTC诊断模型,利用与自相关的基因 (ARG).
• 确定特定的ARG,可以作为PTC的可靠诊断标记.

主要方法:

• 来自PTC和正常甲状腺样本的RNA测序数据的差异基因表达分析 (GSE33630,GSE29265).
• 识别差异表达的ARG (DE-ARG) 和功能丰富分析.
• 应用机器学习算法 (SVM-RFE,LASSO) 来选择关键的诊断基因.
• 在独立数据集和患者队列中验证诊断模型.

主要成果:

• 确定了127个DE-ARG,富含与癌症相关的途径,内质网膜蛋白质处理和自调节.
• 选择了CALCOCO2,DAPK1和RAC1作为关键的诊断基因.
• 结合CALCOCO2,DAPK1和RAC1的诊断模型在验证队列中显示出显著的诊断价值.
• CALCOCO2表达与免疫细胞透有关,这表明它在瘤免疫微环境中的作用.

结论:

• 一个包含CALCOCO2,DAPK1和RAC1的新型诊断模型已成功地为PTC开发.
• 这些基因作为 papillary 甲状腺癌的潜在诊断标志物.
• CALCOCO2可能在调节PTC的免疫微环境中发挥关键作用.