预测肺癌化学敏感性的综合机器学习方法:从算法到细胞系验证
Jinghong Chen1, Yonglin Yi2, Chunqian Yang2
1Department of Oncology, Zhujiang Hospital, The Second School of Clinical Medicine, Southern Medical University; Donghai County People's Hospital (Affiliated Kangda College of Nanjing Medical University), Lianyungang 222000, China.
Computational and structural biotechnology journal
|August 8, 2025
概括
这项研究开发了一种机器学习模型,以预测肺癌化疗反应. TMED4和DYNLRB1基因表达预测了耐药性,使得个性化治疗选择能够获得更好的患者结果.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 肺癌化疗反应在患者之间有很大差异.
- 预测个体反应对于优化治疗和预后至关重要.
研究的目的:
- 在肺癌中开发化疗反应的预测模型.
- 使用机器学习集成多omics和临床数据.
主要方法:
- 利用了来自癌症药物敏感性基因组学和基因表达综合数据库的数据.
- 采用了45个机器学习算法,专注于随机森林和支持矢量机器.
- 评估了关键基因对细胞系化疗反应的影响.
主要成果:
- 一个组合的随机森林和支向量机器模型显示出卓越的预测性能.
- 对化疗敏感的患者的整体存活时间显著增加.
- TMED4和DYNLRB1基因表达与化疗耐药性相关.
- 基因淘汰增强了肺癌细胞系的化学敏感性.
结论:
- 开发了一种高性能机器学习模型,用于预测肺癌化疗反应.
- TMED4和DYNLRB1是与化疗耐药性相关的关键基因.
- 有一个Web服务器可用于临床应用,促进个性化化疗选择.
