通过机器学习,基因表达数据和综合生物信息学管道识别的肺腺癌系统生物标志物和候选药物
Semra Melis Soyer1, Pemra Ozbek1, Ceyda Kasavi1
1Department of Bioengineering, Faculty of Engineering, Marmara University, İstanbul, Türkiye.
Omics : a journal of integrative biology
|July 9, 2024
概括
这项研究确定了肺腺癌 (LUAD) 的关键基因和途径,并提出了个性化医学的潜在候选药物. 这些发现通过综合生物信息学和机器学习推动了精确瘤学的发展.
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:
- 肺腺癌 (LUAD) 由于高死亡率和可变的治疗反应,对全球健康构成重大挑战.
- 对于早期诊断,预后预测和个性化治疗策略的可靠生物标志物至关重要.
- 在LUAD治疗结果的个体间的变化需要先进的诊断和治疗方法.
研究的目的:
- 通过综合生物信息学和机器学习,识别肺腺癌 (LUAD) 的系统生物标志物.
- 开发基于预后结果的患者分层预测模型.
- 通过药物重新定位和分子模拟来发现LUAD的潜在候选药物.
主要方法:
- 利用综合生物信息学工具利用基因表达数据.
- 采用机器学习算法来构建LUAD患者分层的预测模型.
- 进行药物重定向分析和分子对接模拟,以确定潜在的治疗剂.
主要成果:
- 确定关键基因 (如PMEL,BRIP1) 和涉及LUAD进展和预后的途径.
- 开发能够根据生存结果对患者进行分层的预测模型.
- 建议八种潜在的药物候选者用于LUAD,包括HSP90抑制剂,心脏糖化物,trifluoperazine和ionomycin.
结论:
- 这项研究为系统生物标志物和肺腺癌候选药物提供了有希望的线索.
- 研究结果强调了将生物信息学,结构生物学和机器学习纳入生物标志物发现的实用性.
- 已识别的生物标志物和候选药物具有促进LUAD精密瘤学和个性化医学的潜力.
