整合线粒体和 lysosomal 基因分析用于乳腺癌预后使用机器学习
Huilin Chen1,2, Zhenghui Wang1,2, Jiale Shi2,3
1Departments of Breast Surgery, First Affiliated Hospital, Nanjing Medical University, Nanjing, 210029, Jiangsu, People's Republic of China.
Scientific reports
|January 26, 2025
概括
一个机器学习模型通过分析线粒体和 lysosomal 基因来预测乳腺癌 (BC) 患者的结果. 该模型确定了降低B细胞免疫透率和增加线粒体-溶酶体活性作为关键的预后因素.
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:
- 线粒体和溶酶体功能障碍在乳腺癌 (BC) 预后中的作用尚不清楚.
- 开发预测模型对于BC患者分层和个性化治疗策略至关重要.
研究的目的:
- 创建一个机器学习 (ML) 模型,使用线粒体和溶酶体共同调节器来预测BC患者的结果.
- 确定关键的调节者及其与免疫透和预后的关联.
主要方法:
- 差异基因表达分析,CNV,SNP和相关性分析被用于选线粒体和溶酶体相关基因.
- 权重基因共同表达网络分析 (WGCNA) 和考克斯回归确定了预后调节者.
- 机器学习模型,包括coxboost + Survivor-SVM,用于结果预测,并使用scRNA-seq数据进行验证.
主要成果:
- 一个机器学习模型有效地预测了BC患者的结果.
- 降低B细胞免疫透率和增加线粒体-溶酶体信号通路 (mlMSGs) 活性与预后不佳显著相关.
- 关键基因SHMT2的表达和功能通过体外实验证实.
结论:
- 开发的ML模型显示了对BC患者结果的强大预测能力.
- 识别减少的B细胞透和改变的mlMSGs活动为早期BC干预和预后提供了新的途径.
- 这项研究为乳腺癌治疗的个性化医疗方法提供了基础.
