基于机器学习的综合多态学结肠直肠癌的特征揭示了独特的代谢特征

科学领域:

• 在瘤学瘤学.
• 代谢学 代谢学 代谢学
• 生物信息学是一种生物信息学.

背景情况:

• 结肠直肠癌的诊断和治疗需要确定可靠的生物标志物.
• 代谢变化越来越被认为是癌症进展的标志.

研究的目的:

• 为早期结直肠癌诊断开发强大的代谢特征.
• 为了确定特定的代谢物和相关的基因参与CRC病变.

主要方法:

• 使用提取式电喷射电离化质谱法 (EESI-MS) 进行非向的代谢分析.
• 机器学习方法 (逻辑回归_L1和极端梯度提升) 用于签名开发和验证.
• 多omics分析整合了代谢和转录基因数据.

主要成果:

• 一个由七种代谢特征组成的小组显示出高诊断性能 (87.74%的准确性,85.82%的灵敏性,89.66%的特异性).
• 代谢物PC (30:0) 显示出显著的诊断潜力,并与结直肠癌细胞增殖有关.
• 多omics分析揭示了基因变化和CRC中的代谢失调之间的相关性.

结论:

• 已识别的代谢特征为早期结直肠癌检测提供了一个有前途的工具.
• PC (30:0) 可能在CRC进展中发挥作用,突出潜在的治疗点.
• 了解代谢失调提供了对CRC机制的洞察,并为干预策略提供了信息.