集成机器学习识别了与细胞衰老相关的预后模型,以改善子宫体内膜异位癌的结果

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 子宫体内膜癌 (UCEC) 是女性常见的一种癌症.
• 它的异质性需要个性化治疗策略.
• 细胞衰老基因 (CSG) 越来越多地被认为对癌症进展的作用.

研究的目的:

• 调查CSG在UCEC中的预后潜力.
• 开发一种患者分层的预测模型.
• 在UCEC预后中探索机器学习应用.

主要方法:

• 从579名UCEC患者 (TCGA) 的转录和临床数据分析.
• 应用权重基因同表达网络分析 (WGCNA) 和机器学习算法 (GMM,SVM-RFE,随机森林,XGBoost).
• 使用差异表达的CSG构建和验证预后模型.

主要成果:

• 识别了两个不同的UCEC分子,其生存率和瘤微环境概况各不相同.
• 一个基于CSG的预后模型准确地将患者分为高风险和低风险组.
• 高风险患者的生存率较低,具有明显的分子/免疫特征.

结论:

• 在UCEC的进步中,CSG发挥着重要作用.
• 机器学习有效地为UCEC建立可靠的预后模型.
• 针对细胞衰老,为个性化的UCEC疗法提供了一个有希望的途径.