开发一种使用机器学习的预后模型,用于肺腺癌中与二硫化相关的lncRNA

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:

• 脱硫化解脱症是一种由脱硫化压力驱动的新兴细胞死亡机制,在癌症中具有潜在的治疗应用.
• 长非编码RNAs (lncRNAs) 涉及肺腺癌 (LUAD) 病原体,但它们在LUAD内的二硫化症中的作用未得到充分研究.
• 识别与二硫化相关的 lncRNAs (DRLs) 对于理解 LUAD 进展和开发新生物标志物至关重要.

研究的目的:

• 在肺腺癌 (LUAD) 中识别和表征与二硫化相关的 lncRNA (DRL).
• 开发基于DRLs的预后模型,用于预测LUAD中的患者存活率和治疗结果.
• 探索DRL与瘤微环境和治疗反应的关联.

主要方法:

• 利用了癌症基因组图谱 (TCGA) -LUAD数据集,并使用了十种机器学习算法来识别DRL.
• 通过对应指数 (C指数) 和接收器运行特征 (ROC) 曲线分析评估模型的预测准确性.
• 在经过验证的数据集 (GEO) 上进行功能丰富分析 (KEGG,GO),瘤微环境分析和生存分析 (Kaplan-Meier).

主要成果:

• 开发了一种基于DRL的预后模型,证明了在LUAD患者的整体存活期 (OS) 中具有显著的预测能力 (p < 0.001).
• 该模型表现出强大的性能,AUC值在一年内超过0.75,在两年和三年内超过0.72.
• 经验证的DRL签名显示,在多个独立数据集中,无病生存期 (DFS) 和OS的显著差异,C指数>0.67.

结论:

• 与溶硫脱相关的lncRNAs (DRLs) 在LUAD中起着重要作用,可以用来构建可靠的预后模型.
• 开发的DRL签名作为一个潜在的分子生物标志物,用于预测LUAD患者的预后和指导治疗策略.
• DRL与瘤突变负担的变化以及在LUAD中对免疫疗法和化疗的差异性反应有关.