在结直肠癌患者中开发和验证基于生物标志物的转移预测模型:机器学习算法的应用

科学领域:

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

背景情况:

• 结肠直肠癌 (CRC) 是一个重要的全球健康问题.
• 转移是CRC死亡率的主要驱动因素.
• 准确预测转移对于有效的患者管理至关重要.

研究的目的:

• 开发和验证一种基于生物标志物的预测模型,用于结直肠癌 (CRC) 患者的转移.
• 使用机器学习算法识别与CRC转移相关的关键基因.

主要方法:

• 用了两个基因表达综合 (GEO) 数据集 (GSE68468,GSE41568) 进行分析.
• 通过差异表达分析,冗余分析和递归特征消除确定了关键生物标志物.
• 使用五种机器学习算法开发和验证了预测模型:glmnet,kNN,SVM,RF和XGBoost.
• 在独立数据集上对表现最好的模型进行外部验证.

主要成果:

• 确定了16个关键基因,包括MMP3,CCDC102B,CDH2,VWF和MMP1,用于预测模型.
• 随机森林 (RF) 模型表现出卓越的性能,内部验证准确度为0.97,kappa为0.91.
• 射频模型的外部验证显示精度为0.97,卡帕为0.92,AUC为0.99.

结论:

• 成功开发和验证了基于生物标志物的结直肠癌 (CRC) 转移的预测模型.
• 鉴定的生物标志物和RF模型可以帮助识别具有转移高风险的CRC患者.
• 这种方法有可能改善转移性CRC的早期检测和治疗策略.