使用机器学习技术对四种长非编码RNA进行肝细胞癌查和预后的分析
Ahmed Samir1, Amira Abdeldaim2, Ammar Mohammed3,4
1Department of biochemistry, Faculty of pharmacy, October University for Modern Sciences and Arts (MSA), Giza, Egypt. samiraboelnoor@gmail.com.
Scientific reports
|November 28, 2024
概括
机器学习使用 lncRNA 和实验室数据准确预测肝细胞癌 (HCC). 这种方法为早期检测HCC提供了一个精确,具有成本效益的诊断工具,改善了患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 分子诊断学 分子诊断
背景情况:
- 肝细胞癌 (HCC) 在埃及是一个重大的健康挑战,由B型肝炎和C型肝炎病毒感染率高而加剧.
- 由于高风险人群的查不足,HCC的早期检测受到阻碍.
研究的目的:
- 通过将长非编码RNA (lncRNA) 表达与标准实验室生物标志物的整合来评估机器学习在预测HCC方面的有效性.
- 评估特定lncRNAs (LINC00152,LINC00853,UCA1,GAS5) 在HCC检测中的诊断性能.
主要方法:
- 在52名HCC患者和30名对照组中量化了血lncRNA水平.
- 接收器操作特征 (ROC) 曲线分析,以获得个别 lncRNA 诊断准确度.
- 使用 Scikit-learn 开发机器学习模型,将 lncRNA 和临床实验室数据结合起来用于 HCC 诊断.
主要成果:
- 个别的 lncRNAs 显示了中度的诊断准确性 (60-83%的灵敏度,53-67%的特异性).
- 机器学习模型实现了高诊断性能,具有100%的灵敏度和97%的特异性.
- 较高的LINC00152/GAS5表达比率与增加的死亡风险有关.
结论:
- 通过机器学习将lncRNA生物标志物与传统实验室数据集成,为准确和经济高效的HCC诊断提供了一个有希望的策略.
- 未来的研究应该专注于更大的队列和更广泛的lncRNAs,以提高模型的稳定性和预后能力.
