基于机器学习算法和关键生物标志物SOX17的功能分析开发卵巢癌诊断模型
Xueyan Geng1, Maopeng Yin1, Hongxi Zhao1
1Department of Clinical Laboratory, Qilu Hospital of Shandong University, Jinan, 250012, Shandong, P.R. China.
Journal of ovarian research
|November 4, 2025
概括
这项研究使用机器学习识别了用于卵巢癌 (OC) 诊断的关键基因. 一个五基因模型显示了早期检测的希望,并强调SOX17作为OC的潜在治疗目标.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 由于诊断迟到,卵巢癌 (OC) 的预后不好.
- 开发准确的诊断模型对于提高生存率至关重要.
研究的目的:
- 为了识别卵巢癌特定的差异表达基因 (DEGs).
- 使用机器学习算法开发一个强大的诊断模型.
- 探索OC中关键DEGs的功能机制.
主要方法:
- 分析了来自426个组织的RNA测序数据.
- 分别表达的基因 (DEGs) 被确定并功能性特征 (GO,KEGG,PPI,免疫微环境).
- 一个五基因诊断模型 (CD24,CLEC4M,SOX17,ADH1C,CHRDL1) 使用后勤回归开发并通过机器学习验证.
主要成果:
- 确定了27种DEG,它们具有特定的生物活动和途径.
- 最优的诊断模型实现了AUC为0.93和准确度为0.875.
- 在OC中,SOX17被上调,其敲击抑制了瘤细胞的增殖和迁移.
结论:
- 一个五基因的逻辑回归模型显示了强大的OC诊断区分能力.
- SOX17作为瘤抑制剂,代表了卵巢癌的潜在治疗标.


