基于机器学习的血衍生细胞外囊泡签名用于消化系统癌症的预测

科学领域:

• 在瘤学瘤学.
• 分子诊断学 分子诊断
• 生物信息学是一种生物信息学.

背景情况:

• 消化系统癌症 (DSC) 难以早期诊断,传统生物标志物的准确性有限.
• 血衍生细胞外囊泡 (PDEV) RNA是一种有前途的诊断工具,但其在DSC中的使用需要进一步调查.

研究的目的:

• 开发和验证基于机器学习的DSC诊断模型,使用PDEVRNA.
• 为了识别新的外体RNA生物标志物用于非侵入性DSC检测.

主要方法:

• 在444名参与者 (326名DSC患者,118名健康患者) 中,从exoRBase 2.0集成的PDEV测序数据.
• 使用机器学习算法 (XGBoost) 构建并验证了一个PDEV诊断模型,并进行了5倍交叉验证.
• 使用批量和单个RNA-seq数据评估了外体RNA特征.

主要成果:

• XGBoost模型实现了高诊断准确性,AUC为0.83 (训练) 和0.94 (测试组).
• 鉴定了9个外体RNA预测因子 (BANK1,MALAT1,FGA,UBR4,ILR-7,FGB,PLPP5,PCAT19,CIITA) 对于DSCs.
• 证明了模型在训练和测试数据集中的性能.

结论:

• 使用PDEV RNA的机器学习模型显示了对DSCs诊断的高准确性.
• 已识别的9种外体mRNA/lncRNA是早期DSC检测的有希望的非侵入性生物标志物.