使用机器学习方法在预诊断环境中早期检测卵巢癌的miRNA签名的验证

科学领域:

• 生物标志物 生物标志物
• 在瘤学瘤学.
• 分子诊断学 分子诊断

背景情况:

• 早期检测上皮卵巢癌仍然是一个重大的临床挑战.
• 循环微RNAs (miRNAs) 正在成为各种癌症的潜在生物标志物.
• 已确定的miRNA签名需要验证它们在卵巢癌中的诊断效用.

研究的目的:

• 评估一个由14个预先识别的循环microRNA组成的小组,以根据与诊断相对的血清采集时间来区分卵巢癌病例的能力.
• 评估这些microRNA的诊断潜力,以改善早期检测策略.

主要方法:

• 利用了来自JanusRNA项目的miRNA测序数据,包括来自Janus血清银行的预诊断血清样本.
• 包括80例卵巢癌病例,比较40个样本收集<2年前的诊断和40个样本收集2-7年前的40个样本.
• 使用极端梯度提升 (XGBoost) 算法进行二进制分类模型训练和测试,并进行重复的持久验证.

主要成果:

• 在试验组中,miRNA面板在接收器运行特征曲线 (AUC) 下的中位面积为0.771.
• 四种特定的miRNAs (hsa-miR-200a-3p,hsa-miR-1246,hsa-miR-203a-3p,hsa-miR-23b-3p) 在接近诊断时表达的增加.
• 在接近诊断时收集的样本中,hsa-miR-200a-3p显示了统计学上显著的上调调节 (β=0.14;p=0.04).

结论:

• 评估的miRNA签名证明了对卵巢癌的强大歧视潜力.
• 这些发现支持循环microRNAs作为检测卵巢癌的生物标志物的实用性.
• 对基于miRNA的诊断的进一步研究可能会导致卵巢癌的早期检测策略得到改善.