在前列腺癌和CRPC中共表达基因的基于机器学习的识别和预后模型的构建

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:

• 前列腺癌 (PCa) 的进展和割耐药性需要改进的预后工具.
• 了解共享的差异表达基因 (DEGs) 对个性化治疗策略至关重要.

研究的目的:

• 利用机器学习来识别PCa启动和割电阻中的DEG.
• 为PCa患者开发和验证一个强大的预后模型.
• 提高对PCa预后的理解,并指导个性化治疗.

主要方法:

• 从GEO数据库获取了用于割抵抗性前列腺癌 (CRPC) 的mRNA转录组数据.
• 使用limma R包进行了微分表达式分析.
• 应用LASSO,单变体和多变体COX回归用于基因选择和模型构建.
• 使用TCGA_PRAD数据集验证了预后模型.

主要成果:

• 一个由七个基因 (KIF4A,UBE2C,FAM72D,CCDC78,HOXD9,LIX1,SLC5A8) 组成的前列腺癌风险预后模型被成功建立和验证.
• 该模型通过校准和决策曲线分析证明了潜在的临床应用价值.
• 特定的基因表达模式与晚期病理阶段,PSA水平,格里森得分和较短的无进展间隔显著相关.

结论:

• 该研究使用生物信息学和临床数据建立了前列腺癌可靠的预后模型.
• 确定了影响PCa进展和治疗耐药性的关键基因.
• 这些发现为评估PCa患者的预后和定制治疗策略提供了新的见解.