早期肺癌诊断的机器学习衍生的外周血液转录生物标志物:揭示瘤-免疫相互作用机制

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 免疫学 免疫学 免疫学

背景情况:

• 肺癌仍然是全球癌症死亡的主要原因.
• 早期检测和了解瘤与免疫相互作用对于改善患者的治疗结果至关重要.
• 周围血液转录学为生物标志物发现提供了一种最少的侵入性方法.

研究的目的:

• 开发一种新的生物标记面板,用于早期肺癌诊断,使用外周血液转录和机器学习.
• 为了深入了解与肺癌相关的瘤免疫交叉声机制.
• 创建肺癌诊断分数 (LCDS) 以区分肺癌患者与健康个体.

主要方法:

• 利用来自培训和验证队伍的外周血液转录基因数据.
• 采用机器学习算法,包括随机森林 (RF),来开发LCDS.
• 进行了免疫透和通路丰富分析,以探索瘤与免疫之间的相互作用.

主要成果:

• 基于射频的LCDS模型实现了高诊断准确度,平均AUC为0.938.
• 较低的LCDS值与增加的CD4+和CD8+T细胞透相关,表明增强的抗瘤免疫力.
• 较高的LCDS得分与激活的低氧,PPAR和TLR信号通路有关.

结论:

• 一个新的,机器学习衍生的外周血液转录生物标记面板 (LCDS) 显示了早期肺癌检测的希望.
• 该LCDS提供了宝贵的洞察力瘤免疫相互作用和潜在的癌症生物学.
• 这种方法可以促进早期诊断,并为未来的肺癌免疫治疗策略提供信息.