构建和验证基于WGCNA和机器学习算法对子宫内膜癌的内质网膜压力相关预后模型
Shanshan Lin1, Changqiang Wei2, Yiyun Wei2
1Department of Obstetrics and Gynecology, The First Affiliated Hospital of Guangxi Medical University, Nanning, Guangxi, China.
Frontiers in oncology
|May 10, 2024
概括
这项研究确定了子宫体子宫内膜癌 (UCEC) 中的关键内质网膜 (ER) 压力基因,并开发了一种预后模型. 该模型有助于风险分层和UCEC患者潜在的新治疗策略.
科学领域:
- 在瘤学瘤学.
- 分子生物学分子生物学
- 生物信息学是一种生物信息学.
背景情况:
- 由蛋白质错误折叠引起的内质网膜 (ER) 压力与癌症的发展和治疗有关.
- 在子宫体内膜异位癌 (UCEC) 中ER应激的特定作用需要进一步阐明.
研究的目的:
- 在UCEC中识别差异表达的ER压力相关基因 (DEERG).
- 根据关键的DEERG,开发UCEC的预测模型.
- 探索UCEC的潜在治疗目标和患者分层策略.
主要方法:
- 使用TCGA和GEO数据库来获取UCEC患者数据.
- 应用微分表达式分析,WGCNA和共识聚类.
- 采用考克斯回归和机器学习算法 (LASSO,XGBoost,SVM-RFE,随机森林) 来识别预后中心基因.
- 在药物敏感性和体外分析的同时,构建并验证了预后诺摩图,以及体外分析.
主要成果:
- 确定了94个DEERG和不同的UCEC亚型,预后和免疫微环境不同.
- 开发了一个使用四个枢纽基因的预后模型:MYBL2,RADX,RUSC2和CYP46A1.1.
- 使用ROC曲线和DCA验证了模型的预测准确性.
- 在UCEC组织中观察到枢纽基因的差异表达 (MYBL2上调;RADX,RUSC2,CYP46A1下调) 并确定了潜在的药物敏感性.
结论:
- 使用生物信息学和机器学习开发了UCEC的强大的预后模型.
- 这个模型可以帮助风险分层,并为UCEC的新疗法策略提供信息.
- 已识别的枢纽基因和通路为UCEC治疗提供了潜在的点.
