相关实验视频
Updated: Jun 16, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
整合转录学和混合机器学习使鼻癌的高精度诊断建模成为可能
Hehe Wang1, Junge Zhang2, Peng Cheng1
1Department of Otolaryngology, Head and Neck Surgery, The First Affiliated Hospital of Ningbo University, Ningbo, China.
Discover oncology
|June 12, 2025
概括
这项研究开发了用于鼻癌 (NPC) 早期诊断的机器学习 (ML) 模型,将RCN1确定为关键生物标志物. 这些发现为NPC检测和理解其免疫微环境提供了可扩展的方法.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 鼻癌 (NPC) 缺乏特定和敏感的早期诊断生物标志物.
- 开发强大的诊断工具对于改善患者治疗结果至关重要.
研究的目的:
- 创建机器学习 (ML) 驱动的NPC诊断模型,使用多队列的转录基因数据.
- 确定用于早期NPC检测和预后的关键生物标志物.
主要方法:
- 整合了七个NPC转录组数据集,使用ComBat进行批量校正.
- 开发了113个ML模型,使用像Stepglm和Random Forest (RF) 这样的算法来分类NPC与正常组织.
- 在外部验证了顶级模型,并分析了免疫透和功能丰富.
主要成果:
- 该Stepglm[both]-RF混合模型在训练中实现了0.999的AUC,在验证中达到1.000的AUC.
- RCN1被确定为一个有前途的诊断标志物 (AUC=0.953) 并与头部和部状细胞癌 (HNSCC) 的不良预后相关.
- NPC样本显示M1巨细胞丰富和减少记忆B细胞;RCN1与细胞周期和免疫通路有关.
结论:
- 两个高性能ML模型 (Stepglm[both]-RF和glmBoost-RF) 已被建立用于NPC诊断.
- RCN1作为NPC诊断和预后的双重功能生物标志物.
- 这项研究为早期NPC检测提供了一个框架,并对免疫失调的洞察力.
