通过微生物组分析,SMOTE增强机器学习模型可以预测复发性和转移性乳腺癌

科学领域:

• 微生物组研究 微生物组研究
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.

背景情况:

• 乳腺癌 (RMBC) 的复发和转移显著影响患者的生存率.
• 可靠的生物标志物对于早期预测RMBC至关重要.
• 血液微生物组组成越来越多地被认为具有潜在的健康影响.

研究的目的:

• 为了评估血液微生物组概况作为RMBC的预测生物标志物.
• 应用机器学习技术用于早期RMBC预测.
• 为了识别与RMBC相关的特定微生物特征.

主要方法:

• 对288名参与者的回顾性分析 (96名乳腺癌患者,192名对照).
• 用于血液微生物组分析的16S rRNA测序.
• 机器学习模型 (包括随机森林) 使用交叉验证技术进行训练和验证.
• SMOTE申请了类不平衡;使用AUROC,回忆,精度,F1得分和MCC来评估性能.

主要成果:

• 与对照组相比,在无病生存期 (DFS) 和RMBC组中,α多样性明显较低 (p < 0.05).
• 在β多样性分析中观察到明显的聚类.
• 随机森林模型实现了高性能:AUROC 0.94,召回 0.81,F1得分 0.83,MCC 0.88.
• 预测RMBC的关键品种包括Enterobacter,Bacteroides,Klebsiella和Bifidobacterium. 这三种类型的细菌是最重要的.

结论:

• 血液微生物组分析显示出作为RMBC的非侵入性生物标志物的潜力.
• 机器学习模型可以根据血液微生物组数据有效区分RMBC.
• 需要进一步的验证研究来证实这些发现.