基因组学和整合性临床数据机器学习评分模型,以确定可能的林奇综合征患者
Ramadhani Chambuso1,2, Takudzwa Nyasha Musarurwa3, Alessandro Pietro Aldera3
1Department of Global Health and Population, Harvard T. Chan School of Public Health, Boston, MA, USA. rchambuso@hsph.harvard.edu.
BJC reports
|May 5, 2025
概括
一个新的机器学习模型使用结合的临床和基因组数据准确地识别了结直肠癌 (CRC) 患者的林奇综合征 (LS). 这种具有成本效益的方法提高了LS查的可访问性,特别是在资源有限的环境中.
科学领域:
- 基因组医学是基因组医学.
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 目前的林奇综合征 (LS) 查涉及复杂,昂贵的多步分子测试.
- 在所有固体癌症患者中直接检测LS的生殖基因测试在资源有限的环境中具有挑战性.
- 开发了一种新的机器学习 (ML) 评分模型,以识别结直肠癌 (CRC) 患者中可能出现LS病例.
研究的目的:
- 开发和验证一个机器学习模型,以有效和准确地确定林奇综合征 (LS) 在结直肠癌 (CRC) 患者中的确诊.
- 提高LS查的成本效益和可访问性,特别是在资源有限的环境中.
主要方法:
- 利用TCGAcBioPortal数据库中的CRC患者的临床病理学和体内基因组学数据.
- 使用生物信息管道来识别LS基因 (MLH1,MSH2,MSH6,PMS2,EPCAM) 和BRAF突变中的致病性/可能致病性变体.
- 开发了一种ML模型,整合了临床病理学和基因组数据,用于将可能的LS与零星的CRC病例区分开来,使用十倍交叉验证来选择特征.
主要成果:
- 结合临床病理和遗传特征的ML模型实现了100%的灵敏度和特异性,曲线下的面积 (AUC) 和精度回忆 (AUCPR) 的AUC为1.
- 仅依赖临床或病理特征的模型表现较差,AUC从0.61到0.74.7不等.
- 该研究确定了524名CRC患者,从4800人的初始队列中获得了完整的数据.
结论:
- 同时对LS临床病理学和体基因组学数据进行评分,可显著改善CRC中可能出现LS病例的预测和确定.
- 这种基于ML的方法提高了准确性,并减少了对昂贵的直接生殖基因测试的依赖.
- 该模型为LS查提供了更容易获得和更具成本效益的解决方案,特别有利于资源有限的设置.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
7.4K
