卵巢癌中的蛋白质组变化-使用人工智能和基于SHAP的生物标志物解释预测残留疾病状态

科学领域:

• 在瘤学瘤学.
• 蛋白质组学是指蛋白质组学.
• 机器学习 机器学习

背景情况:

• 高度血清性卵巢癌 (HGSOC) 是具有侵略性的,其结果受到后期新辅助化疗 (NACT) 后残留疾病的影响.
• 准确预测残留疾病对于患者分层和个性化治疗策略至关重要.

研究的目的:

• 分析NACT前的蛋白质组数据,以预测HGSOC患者的残留疾病.
• 为此预测任务开发和评估机器学习模型.

主要方法:

• 分析了20名HGSOC患者 (14R0,6R1) 的蛋白质组数据.
• 在BORUTA特征选择中,从最初的97.7组中确定了18种重要的蛋白质.
• 开发和比较了随机森林 (RF),支持矢量机 (SVM) 和BaggedCART模型.

主要成果:

• 随机森林模型表现出高性能 (AUC 0.955,准确率为 0.830).
• SHAP分析强调了五种关键蛋白质 (P48637,O43491,O95302,Q96CX2,P49189) 作为具有影响力的预测因素.
• 这些蛋白质与化疗耐药机制有关.

结论:

• 整合蛋白质组数据和机器学习可以有效地预测HGSOC中的外科结果.
• 已识别的蛋白质签名显示了作为NACT反应和临床决策的生物标志物的潜力.