采用监督算法和临床模型的多阶段方法,生成胰腺癌的高精度签名
Akash Bararia1, Agniswar Chakraborty2, Gourav Ghosh3
1Human Genetics Unit, Indian Statistical Institute, Kolkata, India.
Computers in biology and medicine
|June 15, 2025
概括
这项研究确定了胰腺癌中关键的甲基化驱动基因 (MDGs),揭示了TFF1,S100P,MUC13和UGT1A1作为有希望的生物标志物和药物标,以改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 甲基化驱动的差异表达基因 (MDGEs) 在癌症中显示出治疗潜力.
- 识别新的标和药物化合物对于推进胰腺癌治疗至关重要.
研究的目的:
- 根据MDGEs使用批量和单细胞多omics数据识别基于MDGEs的向药物.
- 为了确定胰腺癌的关键疾病标志物.
主要方法:
- 选TCGA,ICGC和GEO数据库. 这是一个很好的方法.
- 使用机器学习 (kNN,随机森林) 和自适应LASSO-Cox回归.
- 进行途径分析,生存评估,免疫分析和分子对接模拟.
主要成果:
- 确定了7个最重要的千年发展目标:CD36,UGT1A1,TFF1,S100P,MUC13,CALHM3,ANKRD44.
- CD36显示出预后能力和免疫失调;TFF1,S100P,MUC13与细胞类型特定表达相关.
- UGT1A1被阿皮基宁-7-O-葡萄化物所准;TFF1/S100P被Catechin/Epicatechin所准;MUC13被Rutin所准.
结论:
- 验证了一组胰腺癌生物标志物的小组,用于早期诊断和治疗.
- 强调了针对个性化医疗的多主题数据集成的价值.
- 在体中向药物确定了胰腺癌的新疗法策略.
