使用机器学习识别异常性肺纤维化和肺状细胞癌之间的分子网络差异
Yosui Nojima1, Kenji Mizuguchi2
1Artificial Intelligence Center for Health and Biomedical Research (ArCHER), National Institutes of Biomedical Innovation, Health and Nutrition, 17-3 Senrioka-Shinmachi, Settu, Osaka 566-0002, Japan; Center for Mathematical Modeling and Data Science, The University of Osaka, 1-3 Machikaneyama, Toyonaka, Osaka 560-8531, Japan.
Computational biology and chemistry
|June 28, 2025
概括
异形性肺纤维化 (IPF) 增加了肺癌的风险. 机器学习确定了IPF和状细胞癌 (SCC) 所涉及的关键基因和转录因子,提供了新的预防策略.
科学领域:
- 在瘤学瘤学.
- 肺部病理学 肺部病理学
- 生物信息学是一种生物信息学.
背景情况:
- 异形性肺纤维化 (IPF) 是肺癌,特别是状细胞癌 (SCC) 的重要危险因素.
- 患有IPF和SCC的患者面临更差的预后,IPF患者缺乏有效的SCC预防.
- 了解驱动IPF和SCC的共同和独特分子机制对于开发预防策略至关重要.
研究的目的:
- 开发精确的机器学习 (ML) 模型,用于对IPF或SCC患者进行分类.
- 识别导致两种疾病的差异表达基因 (DEGs) 和体质突变.
- 发现一个分子网络,将IPF和SCC病原体与潜在的治疗点联系起来.
主要方法:
- 利用公开的RNA测序数据用于ML模型开发.
- 在五个分类算法中应用了随机重启技术.
- 计算特征的重要性以识别DEGs,并分析了转录因子体质突变的SCC数据.
主要成果:
- 为IPF和SCC分类开发了高度准确的ML模型.
- 确定了11个DEGs:VCX2,TMPRSS11B,PRUNE2,PRG4,PZP,SCARA5,DES,HPSE2,HOXD11,S100A7A,以及PLA2G2A.这些都是被发现的.
- 在四个关键转录因子 (BHLHE40,MYC,STAT1,E2F4) 中检测到调节已识别的DEGs的体质突变,揭示了一个新的分子网络.
结论:
- 该研究确定了一种新型分子网络,涉及四个转录因子和11个涉及IPF和SCC的DEG.
- 这个网络提供了对IPF和SCC背后的独特致病机制的关键见解.
- 这些发现为预防IPF患者的SCC发展提供了潜在的新途径.
更多相关视频
05:00Author Spotlight: Enhancing Multicolor Fluorescence Localization in Lung Carcinoma Sample
Published on: November 21, 2023
2.0K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K