基于统计和机器学习的平台独立的肝细胞癌关键基因鉴定

科学领域:

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

背景情况:

• 肝细胞癌 (HCC) 是癌症死亡的主要原因,全球发病率不断增加.
• 之前对HCC遗传数据集的研究集中在跨平台的常见差异表达基因 (DEG),可能忽略了关键基因.
• 需要一种全面的方法来确定HCC的强大的生物标志物.

研究的目的:

• 开发一个统计和机器学习系统,用于在肝细胞癌 (HCC) 中识别独立于平台的关键基因 (KG).
• 通过整合来自多个平台的数据来克服先前研究的局限性.
• 评估HCC中已识别的KG的诊断和预后潜力.

主要方法:

• 使用多平台数据集方法与统计和机器学习技术相结合.
• 确定每个平台的差异表达基因 (DEG),然后将它们结合起来,找到大组合DEG (gcDEG).
• 采用支持矢量机 (SVM) 来确定差异表达的歧视基因 (DEDGs),构建蛋白质-蛋白质相互作用 (PPI) 网络,使用最大集群集中性 (MCC) 识别中心基因,并使用MCODE选择最佳模块.

主要成果:

• 通过重叠的枢纽基因,元枢纽基因和枢纽模块基因的交叉,确定了六个关键基因 (KG):CDC20,TOP2A,CENPF,DLGAP5,UBE2C和RACGAP1.
• 这些KG是根据它们的分辨准确性和网络属性来选择的.
• 使用曲线下的面积 (AUC) 和生存分析评估了六个KG的区分能力和预后潜力.

结论:

• 已识别的6个KG代表了肝细胞癌 (HCC) 的强大,独立于平台的生物标志物.
• 这些基因具有改善肝癌诊断和预后的巨大潜力.
• 开发的方法提供了一个新的策略,用于生物标志物在复杂的疾病发现,如HCC.