在扩散大B细胞淋巴瘤中基于机器学习识别与cuproptosis相关的lncRNA生物标记物

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 分子生物学分子生物学

背景情况:

• 扩散性大B细胞淋巴瘤 (DLBCL) 是一种具有复杂分子基础的侵袭性非霍奇金淋巴瘤.
• 细胞亡是一种新型的受调细胞死亡,因其在癌症进展中的作用越来越受认可.
• 识别特定的生物标志物对于改善DLBCL诊断和治疗策略至关重要.

研究的目的:

• 在DLBCL中识别与cuproptosis相关的长非编码RNA (lncRNA) 生物标志物.
• 使用机器学习技术开发和验证DLBCL的强大预后模型.
• 研究已识别的lncRNAs,特别是MALAT1在DLBCL细胞增殖中的功能作用.

主要方法:

• 利用TCGA和GEO数据库数据识别了126个与cuproptosis相关的lncRNAs.
• 采用多种机器学习方法,包括单变过,拉索,博鲁塔,随机森林和基于变压器的模型.
• 使用五倍交叉验证和换特征重要性验证了预后模型;通过DLBCL细胞系的淘汰实验证实了MALAT1功能.

主要成果:

• 在DLBCL中鉴定出126个显著的与cuproptosis相关的lncRNA.
• 开发了一个高度准确和强大的基于变压器的预后模型,用于预测DLBCL风险得分.
• 确定MALAT1作为一个关键的生物标志物,证明其在促进DLBCL细胞增殖中的作用以及其作为治疗点的潜力.

结论:

• 综合机器学习方法有效地识别了lncRNA生物标志物,并为DLBCL建立了可靠的预后工具.
• MALAT1在DLBCL细胞增殖中发挥着重要作用,是新型治疗干预措施的有希望的目标.
• 这项研究强调了lncRNAs和先进的计算方法在推进DLBCL个性化治疗策略中的价值.