通过综合的多omics数据对肺腺癌的分类,以有利于生存结果
Jiayi Wei1, Xin Wang1, Hongping Guo2
1Qingdao University, Qingdao, China.
Computational biology and chemistry
|July 17, 2024
概括
这项研究使用多omics数据和机器学习来确定肺腺癌 (LUAD) 亚型的新型分子标记物. 这些发现改善了LUAD分类和患者存活率分析,有助于向治疗的开发.
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) 是最常见的非小细胞肺癌亚型.
- 了解LUAD的分子驱动因素对于精确的分类和治疗至关重要.
- 目前的分类方法可以通过整合多omics数据来增强.
研究的目的:
- 识别新的分子标记物,以改进LUAD亚型的分类.
- 通过先进的计算方法来增强患者生存分析.
- 为 LUAD 中的多omics 数据开发一个强大的特征选择方法.
主要方法:
- 综合多omics数据 (复制号,甲基化,RNA-seq) 来自癌症基因组图谱 (TCGA).
- 采用一个协同的特征选择策略,结合最大相关性/最小冗余性,LASSO和Boruta算法.
- 使用了六个机器学习分类器 (LR,RF,SVM,NB,KNN,XGBoost) 和SHAP值进行解释.
主要成果:
- 在物流回归中获得了0.9958的高曲线下面积 (AUC).
- 使用复制号,甲基化和RNA-seq数据的复合模型优于单个omics或其他多omics组合.
- 支持矢量机 (SVM) 在生存分析中表现出最佳的分类性能,超过TCGA基准.
结论:
- 开发的特征选择方法有效地使用TCGA多omics数据和机器学习来识别LUAD分子亚型和重要基因.
- 这种方法可以改善早期LUAD检测,诊断和向治疗的开发.
- 增强的分类和生存洞察力有可能延长患者的生存时间.
