建立了两种基于病态的机器学习模型,以预测结肠腺癌中的CLCA1表达

科学领域:

• 计算病理学和生物信息学
• 瘤学和癌症研究.
• 生物标志物的发现和验证.

背景情况:

• 通道辅助1 (CLCA1) 是结肠腺癌 (COAD) 的潜在预后生物标志物.
• 从组织病理图像中预测CLCA1表达可以提供宝贵的预后见解.
• 将病理学与转录学整合起来,可以阐明COAD的潜在生物机制.

研究的目的:

• 开发和验证病理学模型,用于预测使用H&E染色图像在COAD中的CLCA1表达.
• 在COAD中调查CLCA1及其相关病理特征的预后价值.
• 通过转录组分析探索与CLCA1表达和病理相关的生物机制.

主要方法:

• 开发两个病理学模型 (随机森林和XGBoost) 来从H&E图像中预测CLCA1表达.
• 使用基因转录组表达数据和考克斯回归分析评估CLCA1预后值.
• 使用基因组变异分析 (GSVA),免疫透和体质突变分析探索生物机制.

主要成果:

• 随机森林病理学模型实现了高预测性能 (AUC 0.846培训,0.776验证).
• 在COAD下调的CLCA1表达与预后不佳有关 (P=0.008).
• 低风险分数组显示了诸如上皮层-介质酶过渡和VEGF信号传递等途径的丰富.

结论:

• 基于pathomics的机器学习模型可以有效地从COAD中的H&E图像中预测CLCA1表达.
• 在COAD患者中,CLCA1表达及其病理学特征对整体生存具有预后价值.
• 这种综合方法为了解COAD病原体提供了理论基础,并促进了进一步的研究.