机器学习引导的差异基因表达分析确定了三阴性乳腺癌中高度连接的七个基因集群

科学领域:

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

背景情况:

• 由于其分子异质性,三阴性乳腺癌 (TNBC) 存在重大挑战.
• 精准医学在TNBC中的方法受到这种复杂性的阻碍.
• 机器学习 (ML) 引导的基因选择提供了一条优化差异基因表达分析和生物标志物发现的途径.

研究的目的:

• 通过识别具有代表性的差异表达基因,增强瘤学中的精准医学.
• 发现TNBC的新生物标志物和潜在的药物标.

主要方法:

• 利用了基因表达总汇 (GEO) 和癌症基因组图谱 (TCGA) 的数据.
• 使用线性模型进行微阵列分析 (LIMMA) 和 edgeR.使用差异表达的基因.
• 使用各种算法应用基于ML的特征选择.

主要成果:

• 通过合并LIMMA和ML特征选择方法选择了27个基因.
• 确定了性能最高的ML模型,包括CatBoost,XGBoost,随机森林和多层感知器.
• 在一个高度相互连接的集群中发现了枢纽基因 (ESR1,FOXA1,GATA3,XBP1,GREB1,AR,AGR2).

结论:

• 基于ML的基因选择显著影响了枢纽基因识别.
• 开发的ML模型可以改善诊断和预后的精确瘤学.
• 鉴定到的枢纽基因显示出作为生物标记物的潜力,并为药物开发提供了进一步的研究.