可解释的机器学习驱动的前列腺癌生物标志物识别和验证
Jianxu Yuan1, Dalin Zhou1, Shengjie Yu1
1Department of Surgery, The Second Affiliated Hospital of Chongqing Medical University, Chongqing Medical University, Chongqing, China.
Translational andrology and urology
|July 21, 2025
概括
这项研究确定了八个关键基因 (TRPM4,EDN3,EFCAB4A,FAM83B,PENK,NUDT10,KRT14,CXCL13) 作为前列腺癌 (PCa) 诊断和进展的潜在生物标志物. 这些发现为PCa治疗策略提供了理论基础.
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:
- 前列腺癌 (PCa) 是全球流行的一种恶性瘤.
- 早期诊断和进展预测需要可靠的生物标志物.
- 识别关键基因对于理解PCa发育至关重要.
研究的目的:
- 确定涉及前列腺癌发生和发展的关键基因.
- 发现潜在的生物标志物用于早期诊断和PCa的进展预测.
- 探索PCa.背后的分子机制.
主要方法:
- 来自基因表达综合 (GEO) 数据库的集成多芯片数据集.
- 应用差异表达分析和丰富分析以确定PCa相关基因.
- 构建并评估了机器学习模型 (LASSO,SVM,RF),使用基因贡献的SHAP分析,并利用GSEA和免疫细胞透分析.
主要成果:
- 鉴定了222个富含PCa相关功能和通路的差异表达基因 (DEG).
- 已经确定了八个核心PCa相关基因:TRPM4,EDN3,EFCAB4A,FAM83B,PENK,NUDT10,KRT14和CXCL13.
- 通过GSEA和免疫细胞透分析,发现PCa和正常组织之间的显著区别.
结论:
- 确定了八个核心基因作为前列腺癌的潜在生物标志物.
- 为PCa的诊断和治疗提供了理论基础.
- 强调了机器学习和生物信息学在癌症研究中的实用性.
