机器学习预测了与cuproptosis相关的lncRNA和质瘤患者的存活率

科学领域:

• 在瘤学瘤学.
• 分子生物学分子生物学
• 遗传学 是一个遗传学.

背景情况:

• 质瘤,特别是质母细胞瘤 (GBM),是中枢神经系统的侵略性瘤,尽管目前的治疗方法,预后不佳.
• 铜驱动的细胞死亡途径cuproptosis,呈现了一个新的目标,与亡和铁亡不同.
• 了解质瘤亚型中的差异性基因表达对于开发向疗法至关重要.

研究的目的:

• 调查GBM和LGG之间与cuproptosis相关的基因的差异表达.
• 确定与 cuproptosis 基因表达相关的丰富途径,这些途径是每个质瘤亚型独特的.
• 开发关于质瘤存活状态的预测模型.

主要方法:

• 在GBM与LGG数据集中对与cuproptosis相关的基因表达进行比较分析.
• 对差异表达基因路径丰富的生物信息分析.
• 使用XGBoost和随机森林算法开发和验证生存预测模型.
• 应用ROSE算法用于数据集平衡以提高模型准确性.

主要成果:

• 在GBM和LGG之间发现了与cuproptosis相关的基因表达的显著差异.
• 根据独家cuproptosis基因表达,发现不同的分子通路被GBM和LGG丰富.
• 开发的XGBoost和随机森林模型显示了预测质瘤存活状态的潜力.

结论:

• 与cuproptosis相关的基因表现出差异性表达模式,可以区分GBM和LGG.
• 途径分析突出了在质瘤亚型中受到cuproptosis影响的独特分子机制.
• 基于cuproptosis基因的预测模型为改善质瘤患者预后提供了一个有希望的途径.