黑色素瘤中微RNAs的诊断能力:整合机器学习以提高准确性和途径分析
Haniyeh Rafiepoor1, Alireza Ghorbankhanloo1, Soroush Soleimani Dorcheh2
1Cancer Biology Research Center, Cancer Institute, Tehran University of Medical Sciences, Tehran, Iran.
Journal of cellular and molecular medicine
|January 17, 2025
概括
这项研究突出了特定的microRNAs (miRNAs) 来区分黑色素瘤和nevi. 整合这些miRNA的机器学习模型显著提高了黑色素瘤诊断准确度,达到94%.
科学领域:
- 在瘤学瘤学.
- 遗传学 是一个遗传学.
- 生物信息学是一种生物信息学.
背景情况:
- 黑色素瘤诊断依赖于组织病理学,这可能是主观的.
- 微RNAs (miRNAs) 是新兴的生物标志物,在癌症诊断中具有潜力.
- 区分黑色素瘤和良性瘤对于适当的患者管理至关重要.
研究的目的:
- 为了识别特定的微RNA (miRNAs),可以区分黑色素瘤和瘤.
- 通过与miRNA数据集成的机器学习 (ML) 模型来提高诊断准确性.
- 阐明参与黑色素瘤病理生理学的分子机制和途径.
主要方法:
- 使用miRNA表达特征来识别有歧视性的miRNAs (hsa-miR-26a,hsa-miR-211).
- 在ML模型中集成具有曲线下面积 (AUC) 分数>0.70的miRNAs.
- 使用miRNet.Net构建miRNA-miRNA相互作用网络.
- 使用Cytoscape进行蛋白与蛋白相互作用 (PPI) 网络分析,以确定枢纽基因.
- 路径丰富分析.路径丰富分析.
主要成果:
- 确定了hsa-miR-26a (81%的准确率) 和hsa-miR-211 (78%的准确率) 作为潜在的诊断标记.
- 结合选定的miRNAs的ML模型实现了94%的诊断准确率,灵敏度为91%.
- 通过miRNA-miRNA相互作用揭示了黑色素瘤病理生理学的170个关键基因.
- 确定了关键的枢纽基因 (例如MYC,BRCA1,JUN,CDKN2A) 和涉及的途径 (PI3K/AKT,TGF-β,细胞循环调节).
结论:
- 具体的miRNAs,当集成到ML模型,显著提高黑色素瘤诊断的准确性.
- miRNA-基因相互作用和相关途径为黑色素瘤分子机制提供了洞察力.
- 这些发现支持miRNAs作为潜在的诊断生物标志物和黑色素瘤的治疗点.


