基于机器学习的框架开发了瘤血栓凝固特征,用于癌的多中心队列
Tao Feng1,2,3, Yue Wang2,3, Wei Zhang2,3
1Qingdao Institute, School of Life Medicine, Department of Urology, Fudan University Shanghai Cancer Center, Fudan University, Qingdao, 266500, China.
International journal of biological sciences
|July 12, 2024
概括
对细胞癌 (RCC) 进行新的凝血瘤血栓特征 (TTCRRS) 准确预测存活结果. 这种签名提供了比目前的分期系统更好的精准医学选择.
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:
- 细胞癌 (RCC) 通常与瘤血栓一起出现,导致预后不佳.
- 目前的分期系统 (TNM, Mayo) 无法充分指导瘤血栓性RCC的治疗决策.
- 在RCC的精密医学中,急需先进的模型.
研究的目的:
- 为细胞癌 (RCC) 开发一种新的凝血瘤血栓特征.
- 为了提高瘤血栓的RCC患者的预后预测和治疗指南.
主要方法:
- 使用了一个具有10个机器学习算法 (101个组合) 的计算框架.
- 开发了一个基于多个独立队伍的签名.
- 确定了10个预后凝血相关基因 (CRG) 作为签名.
主要成果:
- 已建立的瘤血栓凝血相关风险分层 (TTCRRS) 签名包括10个CRG.
- TTCRRS签名准确地预测了公共和内部队列的生存结果.
- 与129个先前发布的签名相比,表现优越.
- 与免疫景观,免疫疗法反应和化疗疗效的显著关联.
- 确定了枢纽基因,转录因子和潜在的治疗化合物,包括CYP51A1在RCC增殖和迁移中的作用.
结论:
- 该TTCRRS签名提供了一个有价值的工具来补充现有的TNM分期和梅奥的临床分层.
- 这种签名为治疗RCC的临床医生提供了增强的治疗选择.
- 促进了更多的个性化治疗策略,以RCC患者静脉瘤血栓.
