在肝细胞癌中基于机器学习的诊断和预后线粒细胞循环基因的识别
1Department of Bioinformatics, Institute of Health Sciences, Hacettepe University, Ankara, Turkey.
PloS one
|August 28, 2025
概括
机器学习确定了用于诊断肝细胞癌 (HCC) 的关键线粒细胞周期基因. 一种新的八个基因特征预测患者的存活率,为HCC管理提供了新的工具.
科学领域:
- 癌症学
- 遗传学
- 生物信息学
背景情况:
- 线粒细胞周期 (MCC) 对于细胞生长和分裂至关重要.
- MCC基因的失调与肝细胞癌 (HCC) 的发展有关.
- 鉴定HCC的诊断和预后生物标志物对于有效的患者管理至关重要.
研究的目的:
- 在HCC和正常组织之间识别不同表达的MCC基因.
- 开发用于诊断HCC的机器学习模型.
- 为预测HCC患者的整体存活期建立预后基因特征.
主要方法:
- 支持矢量机递归特征消除 (SVM-RFE) 和随机森林递归特征消除 (RF-RFE) 用于基因选择.
- 在多个数据集上训练和验证机器学习模型 (TCGA,GSE77509,GSE144269).
- 使用单变Cox回归和LASSO Cox回归来确定预后基因特征.
主要成果:
- 在各个数据集中,SVM- RFE显示出高诊断性能 (AUC高达1.0).
- 九个MCC基因 (例如CDKN3,EZH2,CDC6) 显示出强大的个体诊断能力 (AUC> 0. 81).
- 八个基因特征 (例如,BCAT1,IGF1,SMARCA2) 有效地预测了HCC患者的整体存活率,而不论临床阶段.
结论:
- 机器学习方法成功识别了HCC的诊断生物标志物.
- 开发了一种新的预后基因特征,为改善HCC患者的生存预测提供了潜力.
- 这些已识别的基因和特征对HCC诊断和预后的临床应用具有前景.
