用多个机器学习模型预测乳腺癌患者的基因特征
1First Affiliated Hospital of Huzhou University, No.158, Guangchang Hou Road, Huzhou, 313000, Zhejiang, People's Republic of China.
Discover oncology
|October 1, 2024
概括
这项研究使用机器学习来识别乳腺癌 (BC) 诊断的关键基因特征. 发现9个关键的差异表达基因 (DEG) 是可靠的诊断标记物,为新的生物标记物提供了潜力.
科学领域:
- 基因组学和生物信息学
- 癌症研究 癌症研究
- 机器学习在医学中的应用
背景情况:
- 乳腺癌 (BC) 仍然是全球主要的死亡原因.
- 准确的诊断和预后生物标志物对于有效的BC管理至关重要.
- 机器学习为识别复杂的基因表达模式提供了强大的工具.
研究的目的:
- 用多种机器学习模型预测乳腺癌患者的基因特征.
- 确定乳腺癌的新型诊断和免疫治疗生物标志物.
主要方法:
- 合并的数据集 GSE54002 和 GSE22820 用于基因表达分析.
- 使用基因本体学 (GO),基因和基因组的京都百科全书 (KEGG) 和疾病本体学 (DO) 进行了丰富分析.
- 使用LASSO回归和SVM-RFE进行特征选择,识别了9个关键差异表达基因 (CF-DEG).
主要成果:
- 在乳腺癌样本中鉴定了177个差异表达基因 (DEGs).
- 富化分析揭示了DEGs参与细胞外矩阵组织,神经系统发育,焦点粘附和PI3K-Akt信号通路.
- 9个已识别的CF-DEGs (ANGPTL7,TSHZ2,SDPR,CLCA4,PAMR1,MME,CXCL2,ADAMTS5,KIT) 通过ROC分析证明了可靠的诊断潜力.
结论:
- 鉴定的基因特征为乳腺癌分子功能和途径提供了新的见解.
- 这些发现可能有助于开发乳腺癌的新诊断和免疫治疗生物标志物.
- 对这些CF-DEG的进一步研究可能会改善乳腺癌患者的治疗结果.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
7.4K
