LOCC:一种新的可视化和连续变量切断值的评分,以肝细胞癌预后为例
George Luo1, Toby Chen2, John J Letterio3,4,5
1Department of Pathology, Case Western Reserve University School of Medicine, 2103 Cornell Rd., Wolstein Research Bldg. Rm 3501, Cleveland, OH, 44106, USA. gxl263@case.edu.
BMC bioinformatics
|September 28, 2024
概括
罗的优化分类曲线 (LOCC) 有效地对癌症预后的基因表达特征进行排名,优于ROC曲线等传统方法. 这种工具有助于识别生物标志物和推进精准医学.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 癌症研究 癌症研究
背景情况:
- 解释像TCGA这样的大型癌症数据集仍然具有挑战性.
- 确定与患者预后相关的基因表达特征至关重要.
- 需要一种新的方法和数据库来应对这些挑战.
研究的目的:
- 介绍罗的优化分类曲线 (LOCC),用于对结果进行可视化和评分变量.
- 开发一种方法来识别和排列癌症预后的基因表达特征.
- 使用TCGA肝细胞癌数据证明LOCC的有效性.
主要方法:
- 开发了 Luo 的优化分类曲线 (LOCC) 用于数据可视化和评分.
- 分析了TCGA肝细胞癌基因表达和患者数据.
- 在独立队列中验证了最佳切断点,并将LOCC与ROC曲线和Cox模型进行了比较.
主要成果:
- 在预测患者预后方面,LOCC表现优于ROC曲线和AUC.
- LOCC得分有效地排列了基因表达特征,并确定了预后特征.
- 确定了E2F基因和G2M检查点,与预后不佳相关,胆酸代谢与预后良好相关.
结论:
- LOCC是一种用于癌症基因表达分析和切断选择的新型可视化工具.
- 洛克分数为预后建模提供了一个比ROC曲线和考克斯模型更合适的方法.
- LOCC对推进精准医学和瘤学中的生物标志物研究具有前景.


