用机器学习计算框架为636名黑色素瘤患者确定稳定性预后面板
Hewen Guan1,2, Yuankuan Jiang1,2, Yuying Cui2
1Department of Dermatology, First Affiliated Hospital of Dalian Medical University, Dalian, Liaoning, China.
Experimental dermatology
|November 13, 2025
概括
一个新的14基因签名改善了黑色素瘤预后,超过了现有的模型. 这种机器学习方法识别了关键生物标志物,包括CUL2,用于个性化黑色素瘤治疗策略.
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:
- 目前的黑色素瘤预后依赖于有限的组织病理学和临床分期.
- 传统方法无法充分解决个体患者的异质性问题.
- 在黑色素瘤中,需要提高预后准确性和个性化治疗框架.
研究的目的:
- 开发一种机器学习驱动的黑色素瘤预后签名.
- 为了确定黑色素瘤预后的关键生物标志物.
- 建立用于黑色素瘤管理的精准医学框架.
主要方法:
- 利用来自TCGA和GEO数据库 (636名患者) 的大量RNA-seq数据.
- 应用单变Cox回归和机器学习算法 (LASSO,RSF) 来识别预后基因并开发签名.
- 通过分子实验验验证了跨多个独立队列的签名,并评估了枢纽基因相关性.
主要成果:
- 确定了53个与预后相关的保护基因 (PRG),在原发性黑色素瘤中活性较高.
- 开发了一种具有高预测准确性的14基因共识预后特征 (TCGA-SKCM中的C指数为0.908,验证队列中的0.758).
- 该签名表现优于现有的19个预后模型,并将CUL2确定为关键的瘤抑制生物标志物.
结论:
- 一个强大的14基因的黑色素瘤预后签名已经开发和验证.
- 这种签名提供了更好的预后性能,并支持黑色素瘤的精准医学.
- CUL2是一种重要的保护性生物标志物,在黑色素瘤中具有已证明的瘤抑制功能.
