利用生物信息学和机器学习来识别预后生物标志物和预测肺腺癌的临床结果

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:

• 肺腺癌 (LUAD) 由于预后不佳和晚期治疗选择有限而带来了重大挑战.
• 识别遗传生物标志物对于改善结果预测和指导在LUAD中的个性化疗法至关重要.

研究的目的:

• 从LUAD患者的超高维度RNA测序数据中识别关键遗传特征.
• 评估和比较不同生存分析方法对LUAD的预测性能.
• 通过蛋白质-蛋白质相互作用网络探索已识别的基因的生物学意义.

主要方法:

• 采用了多步骤方法,结合了确定独立性选,处罚回归和信息获取来进行特征选择.
• 评估了考克斯模型,生存树和随机生存森林 (RSF) 进行生存分析.
• 构建了一个蛋白质-蛋白质相互作用网络来分析基因关系.

主要成果:

• 在所有特征选择方法中,DKK1和TNS4始终被确定为重要的预测因子.
• DKK1和TNS4的高表达与较差的生存结果相关 (Kaplan-Meier分析).
• 与Cox和生存树方法相比,RSF表现出优异的预测性能 (更高的AUC和C指数). VEGFC和LAMA3成为蛋白质与蛋白质相互作用网络中的关键节点.

结论:

• DKK1和TNS4显示出作为LUAD预后生物标志物的潜力.
• RSF是一种高效的方法,用于在LUAD中预测生存率.
• 已识别的基因和网络为LUAD的遗传机制提供了洞察力,支持预后工具和个性化治疗的开发.