肺腺癌的机器学习驱动的预后和诊断模型使用瘤内部异质性和多omics数据
Xiaohua Li1, Xiaohong Nie2, Shiwei Gan1
1Department of Respiratory and Critical Care Medicine, Sixth People's Hospital of Chengdu, Chengdu, China.
概括
内异质性 (ITH) 显著影响肺腺癌 (LUAD) 的结果. 这项研究开发了使用ITH的机器学习模型,以改善LUAD诊断和预后,显示出强大的预测性能.
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:
- 瘤内异质性 (ITH) 是影响癌症预后和治疗疗效的关键因素.
- 肺腺癌 (LUAD) 由于其固有的异质性,提出了复杂的挑战.
- 了解ITH对于开发有针对性的诊断和预后策略至关重要.
研究的目的:
- 调查ITH与LUAD中的临床结果之间的关系.
- 构建和验证基于机器学习的预后和诊断模型,用于使用ITH的LUAD.
- 在LUAD中识别与ITH相关的关键基因.
主要方法:
- 使用DEPTH2包计算ITH分数.
- 权重基因共同表达网络分析 (WGCNA) 来识别与ITH相关的核心基因.
- 开发一个19基因预后模型 (弹性网) 和一个7基因诊断模型 (LASSO,随机森林).
- 在多个独立的 LUAD 数据集中验证模型.
主要成果:
- ITH与LUAD临床特征有显著的相关性,包括性别,M阶段和整体存活率.
- WGCNA确定了含有126个与ITH相关的核心基因的特定基因模块 (黑色,浅绿色).
- 预后和诊断模型都表现出高的预测准确性和概括性,在分层患者和区分LUAD与健康对照中.
结论:
- ITH是预测LUAD预后和帮助诊断的有价值的生物标志物.
- 集成ITH和多omics数据的机器学习模型提高了LUAD管理的精度.
- 这些发现支持基于ITH的模型对个性化的LUAD治疗策略的临床实用性.
