使用综合生物信息学和机器学习方法识别肺癌的潜在生物标志物
Md Symun Rabby1, Md Merajul Islam1, Sujit Kumar1
1Department of Statistics, Jatiya Kabi Kazi Nazrul Islam University, Trishal, Mymensingh, Bangladesh.
PloS one
|February 27, 2025
概括
识别新型肺癌生物标志物对于早期检测和改善患者存活率至关重要. 这项研究结合了生物信息学和机器学习,发现了EDNRB和MME两个关键基因,用于早期诊断和治疗肺癌.
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:
- 肺癌是全球癌症死亡的主要原因之一.
- 早期检测对于降低死亡率至关重要.
- 确定可靠的生物标志物对于及时诊断和治疗至关重要.
研究的目的:
- 为了确定早期肺癌检测的潜在生物标志物.
- 整合生物信息学和机器学习 (ML) 方法来发现生物标志物.
- 在不同的队列中验证潜在的生物标志物.
主要方法:
- 数据规范化和批量效应校正 (强大的多阵列平均值,ComBat).
- 不同基因表达分析 (LIMMA) 和与癌症相关的基因选择 (Enrichr,DisGeNET).
- 蛋白质与蛋白质相互作用 (PPI) 网络分析 (STRING,Cytoscape),模块分析 (MCODE) 和基于ML的特征选择 (Boruta).
- 对美国和台湾队列的预测和歧视力评估 (生存,ROC分析).
主要成果:
- 生物信息学和ML方法的整合确定了核心基因.
- 在美国队列中发现了四种潜在的生物标志物 (LPL,CLDN18,EDNRB,MME).
- 在台湾队列中发现了三种潜在的生物标志物 (EDNRB,MME,ROBO4).
- 两个重叠的生物标志物,EDNRB和MME,在两个队列中得到证实.
结论:
- 建议EDNRB和MME作为肺癌的潜在生物标志物.
- 这些生物标志物可以增强早期检测,诊断和治疗策略.
- 已识别的生物标志物有望改善患者的生存率和生活质量.
