整合生物信息学和机器学习方法来分析HBV诱导的肝细胞癌的诊断生物标志物

科学领域:

• 在瘤学瘤学.
• 病毒学 病毒学
• 生物信息学是一种生物信息学.

背景情况:

• 肝细胞癌 (HCC) 是一个主要的全球健康问题,B型肝炎病毒 (HBV) 感染是全球50-80%病例的主要原因.
• 了解HBV诱导的HCC (HBV-HCC) 的分子基础对于开发有效的预防,诊断和治疗策略至关重要.

研究的目的:

• 通过整合生物信息学和深度学习方法,阐明推动HBV-HCC的分子机制.
• 确定HBV-HCC的发展和进展中的关键分子参与者和潜在的治疗点.

主要方法:

• 利用生物信息学来分析来自GEO数据库的基因表达数据,包括差异表达和权重基因共同表达网络分析 (WGCNA).
• 应用深度学习模型 (Lasso,Random Forest,SVM) 来识别与HBV-HCC相关的关键基因.
• 通过训练和验证数据集验证了已识别的基因的诊断准确性,并进行了分子对接模拟.

主要成果:

• 确定RACGAP1,ECT2和NDC80作为关键基因,与HBV-HCC有关.
• 这些基因具有很高的诊断准确性 (验证组中的AUC>0.878),并且在瘤组织中显著过度表达.
• 高RACGAP1,ECT2和NDC80的表达与肝癌患者的预后不佳相关.
• 分子对接揭示了这些基因与抗HCC药物 (伦瓦提尼布,雷戈拉费尼布,索拉费尼布) 之间强烈的结合亲和力.

结论:

• RACGAP1,ECT2和NDC80与HBV-HCC的发生和进展密切相关.
• 这些基因有望成为HBV-HCC诊断的潜在生物标志物.
• 这些已识别的基因代表了开发针对HBV-HCC的新型向治疗的潜在治疗标.