整合多omics数据,以预测肺腺癌的存活率
Dingjie Guo1, Yixian Wang1, Jing Chen2
1Epidemiology and Statistics, School of Public Health, Jilin University, Changchun, Jilin, China.
Computer methods and programs in biomedicine
|May 3, 2024
概括
这项研究开发了一种新的方法,基于 struc2vec 的多omics 数据集成 (SBMOI),用于预测肺腺癌 (LUAD) 患者的生存率. 使用随机生存森林模型的SBMOI准确预测短期和长期结果,改善临床决策.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 肺腺癌 (LUAD) 患病率增加和预后不佳,需要改进生存预测模型.
- 目前的模型缺乏足够的临床适用性,无法及时管理患者.
研究的目的:
- 开发和验证一种新的基于网络的方法,用于多omics数据集成,以预测LUAD患者的存活率.
- 与其他网络方法相比,评估拟议方法的性能.
主要方法:
- 引入了基于 struc2vec 的多组数据集成 (SBMOI),以结合基因表达,体突变和临床数据.
- 构建的突变基因载体代表了LUAD患者的特征.
- 采用随机生存森林 (RSF) 模型进行生存预测,比较无基因共同表达网络 (FCN) 与蛋白质-蛋白质相互作用 (PPI) 和显著共同表达网络 (SCN).
主要成果:
- 基于FCN的SBMOI与RSF相结合,与SCN和PPI网络相比,在预测LUAD患者存活率方面表现优越.
- 在验证数据集中,在1年 (0.791),5年 (0.825) 和10年 (0.917) 的生存预测中实现了高曲线下面面积 (AUC) 值.
结论:
- SBMOI提供了一种强大的基于网络的方法,用于多omics数据集成.
- 该SBMOI-RSF模型准确地预测了LUAD患者的生存率,特别是长期结果.
- 该SBMOI算法显示了其他机器学习任务和不同疾病中的应用的潜力.
更多相关视频
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
1.5K
07:41Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases
Published on: May 17, 2019
9.0K
