使用机器学习方法研究瘤微环境及其在骨髓瘤转移中的生物标志物

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:

• 骨肉瘤 (OS) 转移的长期预后不佳.
• 对于新型生物标志物和创新的研究方法有着至关重要的需求.

研究的目的:

• 为了确定骨髓瘤转移的潜在生物标志物.
• 探索基因表达模式及其与患者生存和免疫透的相关性.

主要方法:

• 利用了来自癌症基因组图谱 (TCGA) 和基因表达总汇 (GEO) 数据库的数据.
• 针对阶级不平衡,采用合成少数群体过量抽样技术 (SMOTE).
• 应用了特征选择算法 (MCFS,Borota,mRMR,LightGBM) 和机器学习模型 (SVM,XGBoost,RF,kNN).
• 使用可解释机器学习 (IML) 来构建网络和分析选定的基因.

主要成果:

• 在使用IML的不同数据集中识别了53,45和46个特征.
• 开发了79个可解释的OS转移预测规则.
• 研究了39种关键分子,发现一些分子既可以作为预测剂,也可以作为差异表达基因.
• 发现了基于TRIP4,S100A9,SELL和SLC11A1表达的显著生存差异,以及它们与22种免疫细胞类型的相关性.

结论:

• 鉴定的生物标志物对个性化骨髓瘤疗法有重大影响.
• 这些发现可能会改善患有骨髓瘤转移的患者的临床预后.