进化学习衍生 lncRNA 签名与生物标志物发现,用于预测结肠腺癌的阶段

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 癌症研究 癌症研究

背景情况:

• 长非编码RNAs (lncRNAs) 越来越被认为是生物过程和癌症的关键调节者.
• lncRNAs显示出潜力作为各种癌症的诊断和预后生物标志物,包括结肠腺癌 (COAD).

研究的目的:

• 开发一种基于进化学习的方法 (EL-COAD) 来识别用于COAD分期的强大的lncRNA签名.
• 发现新的ncRNA生物标志物,以改善癌症诊断和预后预测.

主要方法:

• 利用了来自癌症基因组图集和基因表达大盘 (gse17536) 的患者队列.
• 采用双目标组合遗传算法,与支持矢量机器 (SVM) 集成,用于lncRNA选择.
• 为最小的 lncRNA 数量和最大的预测准确性进行了优化.

主要成果:

• 确定了一个15-lncRNA签名,交叉验证准确率为79.4%,AUC为0.792.
• 一个10-lncRNA子集在独立数据集 (gse17536) 上使用序列最小优化实现了64.15%的准确性.
• 优先考虑的 lncRNAs,突出显示 TMEM105,DUXAP8,APCDD1L-DT,PCAT6 和 ENSG00000226308 是重要的.

结论:

• 通过EL-COAD方法成功地确定了COAD的强大且与模型无关的lncRNA签名.
• 途径和本体学分析支持已识别的签名的临床相关性.
• 小说转录ENSG00000226308显示显著的希望作为结肠腺癌的潜在生物标志物.