机器学习方法用于预测血液分泌蛋白和肝癌的潜在生物标志物,使用omics数据
Dahrii Paul1, Vigneshwar Suriya Prakash Sinnarasan1, Rajesh Das1
1Department of Bioinformatics, Pondicherry University, Puducherry 605014, India.
Journal of proteomics
|August 31, 2024
概括
这项研究确定了六种有前途的血液生物标志物 (ESM1,FCN2,MDK,GPC3,CTHRC1,COL6A6) 用于早期发现肝癌. 计算方法集成机器学习和生物信息学用于非侵入性诊断,改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 肝癌 (LC) 是一个重大的全球健康挑战,死亡率不断上升.
- 目前对LC的诊断方法具有侵入性,限制了它们在常规监测中的实用性.
- 基于血液的非侵入性生物标志物对于早期的LC检测和管理至关重要.
研究的目的:
- 以计算方式识别和验证肝癌的新型非侵入性血基生物标志物.
- 利用机器学习和生物信息学来分析omics数据以发现生物标志物.
- 改善肝癌患者的早期检测和监测策略.
主要方法:
- 利用机器学习 (ML) 模型,特别是对血液分泌蛋白质数据的逻辑回归 (LR).
- 在七个肝癌队伍中进行了转录组分析,以确定差异表达基因 (DEG).
- 集成的ML预测与DEG分析和ROC AUC,以识别和验证潜在的生物标志物.
主要成果:
- 确定了58种潜在的血液分泌蛋白质,包括13种常见的枢纽基因.
- 六个基因 (ESM1,FCN2,MDK,GPC3,CTHRC1,COL6A6) 显示出具有高诊断潜力,其ROC AUC>0.85.
- 开发的综合计算方法在生物标志物发现方面被证明是有效的.
结论:
- 已识别的生物标志物 (ESM1,FCN2,MDK,GPC3,CTHRC1,COL6A6) 在非侵入性肝癌诊断方面显示出显著的前景.
- 综合计算策略可以有效地发现肝癌等复杂疾病的基于血液的生物标志物.
- 对这些生物标志物的进一步临床验证可能会导致改善患者的治疗结果和管理策略.
