基于高图规范化的前列腺癌的预后和诊断稀疏最小部分方程回归算法
Ruo-Hui Huang1, Zi-Lu Ge2, Gang Xu1
1Department of Urology, First Affiliated Hospital of Gannan Medical University, Ganzhou, Jiangxi, China.
Aging
|June 3, 2024
概括
这项研究整合了基因表达和DNA甲基化数据,以确定前列腺癌 (PCa) 生物标志物. 开发了使用10个DNA甲基化位点的诊断模型和使用7个mRNA的预后模型,在诊断PCa和预测存活率方面显示出高准确性.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 全球前列腺癌 (PCa) 发病率正在上升.
- 确定可靠的PCa诊断和预后生物标志物至关重要.
- 目前的诊断和预后方法需要改进.
研究的目的:
- 确定前列腺癌 (PCa) 诊断和预后的新型候选生物标志物.
- 整合基因表达和DNA甲基化数据,以增强生物标志物发现.
- 为PCa开发准确的诊断和预后模型.
主要方法:
- 使用了一种稀疏的部分最小平方回归算法与超图规范化 (HR-SPLS).
- 数据整合和基因表达 (mRNA) 和DNA甲基化数据的集群.
- 机器学习方法被用来构建诊断和预后模型.
主要成果:
- 一个包括10个DNA甲基化位点的诊断模型在PCa检测中显示出高精度.
- 一个基于7个mRNA的预后模型准确地预测了无病生存期 (AUC = 0.761).
- 基因组丰富分析和免疫分析表明,患者的预后与免疫细胞透之间存在联系.
结论:
- 该研究成功地确定了PCa的潜在诊断和预后生物标志物.
- 整合DNA甲基化和基因表达数据为生物标志物发现提供了一个有前途的方法.
- 结果可能会导致改进PCa管理策略.
