使用基因表达数据预测从无症状到症状的多发性骨髓瘤的进展和阶段分类
Nestoras Karathanasis1, George M Spyrou1
1Bioinformatics Department, The Cyprus Institute of Neurology & Genetics, 6 Iroon Avenue, Ayios Dometios, 2371 Nicosia, Cyprus.
Cancers
|January 25, 2025
概括
机器学习模型准确地将多发性骨髓瘤 (MM) 阶段化,并使用基因表达数据预测未确定重要性 (MGUS) 的单克隆性骨髓瘤病变的进展. 这为患者监测和早期干预提供了新的工具.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 机器学习在医学中的应用
背景情况:
- 精确的多发性骨髓瘤 (MM) 阶段确定对于治疗优化至关重要.
- 由于有限的数据,预测从未确定意义的单克隆性胃病变 (MGUS) 到症状性MM的进展是具有挑战性的.
- 这项研究解决了改善MM分期和无症状患者风险分层的需求.
研究的目的:
- 开发机器学习模型,用于增强多发性骨髓瘤分期.
- 根据他们患有症状MM的进展风险,对无症状患者进行分层.
- 确定参与MM病原和进展的关键分子通路.
主要方法:
- 利用基因表达微阵列数据集用于模型开发.
- 通过使用AUC指标在五个独立数据集中训练并验证多发性髓瘤分期模型.
- 采用两种不同的建模方法来预测无症状患者的进展,包括特征选择和途径丰富分析.
主要成果:
- 多发性骨髓瘤分期模型实现了高疗效,一致的AUC值为0.9.
- 预测无症状进展的模型在各种算法中显示AUC值超过0.8.
- 富化分析确定PI3K-Akt,MAPK,Wnt和mTOR通路是MM病原体的核心.
结论:
- 这项研究提出了一种使用基因表达数据进行MM分期和进展预测的新方法.
- 开发的机器学习模型显示出在患者监测中临床应用的巨大潜力.
- 通过改善患者分层和风险评估,可以加强早期干预策略.
