用生物标志物驱动的药物重新定位用于NAFLD相关的肝细胞癌,使用机器学习的集成组合特征选择

科学领域:

• 发现生物标志物的发现.
• 基因组学就是基因组学.
• 计算生物学是一种计算生物学.

背景情况:

• 非酒精性脂肪性肝病 (NAFLD) 和非酒精性脂肪性肝炎 (NASH) 的发病率随着肥胖和糖尿病的增加而增加.
• 纳什是肝细胞癌 (HCC) 的重要原因,这是一种致命的癌症,存活率很低.
• 生物标志物对于NAFLD/NASH患者的早期查,监测和药物开发至关重要.

研究的目的:

• 使用转录基因数据识别用于NAFLD相关HCC进展的强大的基因生物标志物.
• 评估机器学习模型,以准确地分类疾病阶段.
• 发现潜在的药物候选人,以对已识别的生物标志物进行重新利用.

主要方法:

• 一个整体特征选择框架被应用于转录组数据.
• 七个机器学习算法被评估用于疾病阶段分类,DISCR是最准确的.
• 考克斯回归生存分析和分子对接用于验证生物标志物和选候选药物.

主要成果:

• 通过组合特征选择确定了十个顶级基因,其中八个通过生存分析被验证为潜在的生物标志物.
• 突出了ABAT,ABCB11,MBTPS1和ZFP1等关键基因,这些基因参与了代谢和细胞过程.
• 确定了81种候选药物,其中迪奥斯,埃斯库林,拉帕提尼布和芬尔通过分子对接显示出有前途.

结论:

• 一种共识方法可以提高NAFLD相关HCC的生物标志物识别准确性.
• 经过验证的生物标志物和重新使用的药物为早期干预策略提供了潜力.
• 这项研究为改善NAFLD相关HCC的治疗选择和患者结果提供了基础.