由机器学习算法为肺状细胞癌利用的凝血相关基因的新奇预后特征

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:

• 与凝血相关的基因 (CRG) 在瘤发育中起作用.
• 对于肺状细胞癌 (LUSC) 中的CRGs的理解有限.
• 需要改善LUSC的预后标志物.

研究的目的:

• 使用CRG开发和验证LUSC的预后签名.
• 评估与现有方法对比的签名的预测准确性.
• 探索签名与临床参数和治疗反应的相关性.

主要方法:

• 利用机器学习算法来构建与凝血相关的基因预后签名 (CRGPS).
• 使用LUSC患者数据集评估了CRGPS.
• 与传统的临床参数和现有的预后特征进行CRGPS性能比较.
• 分析了CRGPS得分,患者预后,免疫细胞透和药物敏感性之间的相关性.

主要成果:

• 使用92个机器学习算法开发的CRGPS显示出最佳的预后能力 (中位数C指数=0.600).
• 在预测准确度方面,CRGPS超过了传统的临床因素和19个现有的LUSC预后签名.
• 较高的CRGPS得分与较差的LUSC预后相关 (HR>1,p <0.05) 并与自然杀手细胞透相反相关.
• 在预测免疫疗法疗效 (AUC = 0.70) 和患者对某些药物的敏感性方面,CRGPS显示出潜力.

结论:

• 开发的CRGPS作为LUSC.的强大可靠的预后标志物.
• CRGPS有可能指导临床管理,并预测LUSC患者的治疗结果.
• 这种签名可能有助于对免疫疗法和化疗的患者进行分层.