基于机器学习及其预后特征的肝细胞癌预测模型的构建

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:

• 肝细胞癌 (HCC) 呈现出高发病率和死亡率,需要强大的临床预测模型和对瘤微环境的预后见解.
• 针对HCC患者的个性化治疗策略需要先进的预测工具和对预后因素的更深入的理解.

研究的目的:

• 开发一个高度可通用的临床预测模型,用于HCC死亡率.
• 确定关键的预后基因,并分析它们与瘤微环境和HCC中药物敏感性的关系.
• 使用机器学习算法创建HCC死亡率的在线风险预测工具.

主要方法:

• 使用GTEx和TCGA的mRNA表达数据对关键预后基因的查,采用临界分析,Cox分析和机器学习 (ML).
• 使用TCGA和ICGC数据库对101ML算法的培训和验证,以选择最佳的预后建模算法.
• 基于算法风险得分的Nomo得分图和Shiny在线预测模型的开发,包括Shapley添加式解释 (SHAP),药物敏感性和免疫透分析.

主要成果:

• 使用随机生存森林 (RSF) 算法开发了一种HCC死亡风险预测模型,实现C指数为0.765.
• 诺莫得分模型表现出高精度,AUC值分别为0.978,0.989和0.964,分别为1年,3年和5年的ROC曲线.
• 六个基因 (LPL,RAET1E,RNASEH2A,GTF2H4,SCML2,PRDM12) 被确定为潜在的诊断和预后标志物,SCML2和PRDM12与药物敏感性有显著的相关性. TP53突变与各种临床特征有关.

结论:

• 基于RSF开发的在线HCC死亡风险预测模型为个性化临床治疗提供了有价值的工具.
• 已确定的LPL,RAET1E,RNASEH2A,GTF2H4,SCML2和PRDM12基因代表了HCC的潜在预后标.
• TP53突变与临床特征的关联为HCC治疗开发提供了进一步的见解.