一个基于蛋白质的个性化预后模型,用于分层患有乳头甲状腺癌的儿科患者
Zhihong Wang1, He Wang2,3,4, Yan Zhou2,3,4
1Department of Thyroid Surgery, The First Hospital of China Medical University, Shenyang, China.
Nature communications
|April 26, 2024
概括
这项研究引入了一种机器学习模型,使用蛋白质组数据来预测儿科 papillary 甲状腺癌 (PPTC) 的复发风险. 该模型准确地对患者进行分层,有助于个性化治疗决策.
科学领域:
- 在瘤学瘤学.
- 蛋白质组学是指蛋白质组学.
- 机器学习 机器学习
背景情况:
- 儿科乳头甲状腺癌 (PPTC) 呈现出显著的异质性,缺乏确定的复发风险分层.
- 目前的临床方法在客观,个性化的PPTC风险评估方面扎.
研究的目的:
- 开发一种客观的,基于机器学习的方法,用于预测PPTC中的个人复发风险.
- 根据复发潜力,确定关键的蛋白质生物标志物来分层PPTC患者.
主要方法:
- 对儿科良性 (PB),儿科恶性 (PM) 和成人恶性 (AM) 结节的临床因素和蛋白质的回顾性分析.
- 质谱学量化超过1万种蛋白质.
- 使用差异表达蛋白质进行复发预测的机器学习模型开发.
主要成果:
- 在PM与PB和PM与AM的比较中分别确定了243个和121个显著失调的蛋白质.
- 在PM患者中观察到增强的炎症和免疫系统激活.
- 开发了一种19种蛋白质的机器学习模型,在预测复发时达到88.24%的准确性.
结论:
- 一个基于蛋白质的新型个性化预后预测模型已经为PPTCs生成.
- 该模型有效地将PPTC患者分为高或低复发风险组.
- 这种方法为临床决策和个性化治疗策略提供了宝贵的参考.
