整合血蛋白学和机器学习的前性队列研究,用于早期预测前列腺癌风险

科学领域:

• 蛋白质组学是指蛋白质组学.
• 生物标志物发现发现
• 癌症流行病学 癌症流行病学

背景情况:

• 早期检测前列腺癌 (PCa) 是一个挑战.
• 血蛋白质学提供了一种非侵入性方法,用于在症状或PSA升高之前识别风险.

研究的目的:

• 识别和验证血蛋白生物标志物用于预测前列腺癌风险.
• 为个性化风险分层开发基于蛋白质组学的模型.

主要方法:

• 在23825名英国生物库参与者中量化了1463种血蛋白.
• 使用了Cox回归和光梯度增强机 (LightGBM) 具有特征选择.
• 使用接收器操作特征曲线 (AUC) 下面面积和SHAP值评估模型性能.

主要成果:

• TSPAN1和GP2一直是PCa风险的最佳预测指标.
• 结合TSPAN1,GP2和人口统计数据的模型实现了整体PCa的AUC为0.728和5年风险的AUC为0.760.
• 在诊断前几年,TSPAN1和GP2水平上升,这表明了长期的预测潜力.

结论:

• TSPAN1和GP2是前列腺癌的有希望的长期预测生物标志物.
• 一个精简的蛋白质组学模型可以帮助个性化风险分层.
• 这种方法可能有助于更早,更少的侵入性查策略PCa.