建立多个机器学习预后模型,用于在光线乳腺癌中初级瘤和淋巴结之间的基因差异

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 了解原发性瘤 (PT) 和转移性淋巴结 (LN) 之间的基因表达差异对于乳腺癌预后至关重要.
• 现有的模型可能无法完全捕捉瘤-淋巴结相互作用的复杂性.

研究的目的:

• 为了探索原发性瘤和配对的转移性淋巴结之间的相关性.
• 开发和验证用于预测乳腺癌患者预后的预测模型.

主要方法:

• 从GEO和TCGA获得的单细胞,批量转录组,生存,临床和突变数据.
• 开发并验证了一个使用机器学习整合框架与十个算法进行预测模型.
• 使用26个差异表达基因构建了淋巴结转移相关得分 (LMRS) 模型.

主要成果:

• LMRS模型表现出高稳定性和有效性,表现优于其他64种模型.
• 高的LMRS得分与下调的细胞分解活性,T细胞共同刺激和免疫细胞 (B细胞,CD8+T细胞,iDCs,TILs) 相相关.
• 枢纽生物标志物PGK1和HSP90在PT和LN中表达更高,LN的水平高于PT.

结论:

• 为乳腺癌预后开发了一种具有高临床准确性的多基因预后模型 (LMRS).
• 该研究强调了PT和LN之间显著的基因表达差异.
• 该LMRS模型为预测患者预后提供了有价值的证据.