通过机器学习应用m6A调节剂来预测从骨髓质疏松综合征转变为急性骨髓性白血病的情况
Jichun Ma1, Hongchang Zhao2, Fang Ge2
1Affiliated People's Hospital of Jiangsu University, Zhenjiang, Jiangsu, China.
Medicine
|July 12, 2024
概括
使用N6-甲基氨酸 (m6A) 调节器的机器学习模型可以有效地区分骨髓质疏松症候群 (MDS) 和急性骨髓性白血病 (AML). 这些模型还在预测MDS转化为AML方面表现有前途,有助于治疗决策.
科学领域:
- 血液学 血液学 血液学
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
背景情况:
- 骨髓发育综合征 (MDS) 具有转化为急性骨髓性白血病 (AML) 的显著风险.
- 准确预测这种转变对于有效的治疗计划至关重要.
- N6-甲基氨酸 (m6A) 调节剂在AML,MDS和转化MDS患者中表现出差异性表达.
研究的目的:
- 开发和评估机器学习模型,以区分AML和MDS.
- 评估这些模型对MDS转化为AML的预测能力.
- 确定关键的m6A调节器,用于骨髓性恶性瘤的风险分层.
主要方法:
- 使用m6A调节器的基因表达数据训练了七个机器学习算法.
- 模型的评价是根据其区分AML/MDS与对照和AML与MDS的能力进行评估.
- 性能指标包括接收器操作特征曲线 (AUROC) 下的区域,灵敏度,特异性和准确性.
主要成果:
- 支持矢量机 (SVM) 和神经网络 (NNK) 模型在区分AML/MDS与对照中的准确性很高 (AUROC 0.966和0.785).
- SVM和随机森林 (RF) 模型在区分AML和MDS方面表现出强的表现 (AUROC 0.943和0.928).
- SVM和物流回归 (LR) 模型显示了MDS转化为AML的预测能力 (AUROC 0.781和0.820).
结论:
- 基于m6A监管器的机器学习模型可以有效地区分AML和MDS.
- 这些模型有可能预测MDS转化为AML.
- m6A调节剂代表了对髓状细胞癌的风险评估和治疗指导的有希望的生物标志物.
