在年轻和老年患者中,急性髓性白血病风险分层通过转录基因机器学习模型
Raíssa Silva1, Cédric Riedel1, Maïlis Amico2
1IRMB, Université de Montpellier, INSERM, Montpellier, 34000, France.
Scientific reports
|November 13, 2025
概括
这项研究使用机器学习揭示了急性髓性白血病 (AML) 中与年龄相关的分子差异. 这些发现突出了不同的瘤形状和免疫细胞变异,这对于改善AML风险分层和治疗策略至关重要.
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:
- 急性髓性白血病 (AML) 是一种复杂的疾病,发病率和遗传改变因年龄而异.
- 目前的反洗钱分类系统并没有充分整合年龄作为决定性因素.
- 了解与年龄相关的分子细微差别对于个性化治疗至关重要.
研究的目的:
- 调查急性髓性白血病 (AML) 中与年龄相关的转录组差异.
- 开发一款用于准确预测AML风险的机器学习模型,其中包括age.
- 确定新的预后生物标志物,并了解AML中年龄的生物背景.
主要方法:
- 分析了来自404名新的AML患者的RNA测序数据.
- 基于k-mer的机器学习方法用于转录组分析的应用.
- 鉴定与年龄和风险组相关的基因特征和预后生物标志物.
主要成果:
- 一个机器学习模型在LDL风险预测方面取得了超过90%的准确性.
- 确定了关键的基因特征,区分了有利和不利的ELN2017风险组.
- 在各个年龄组中观察到不同的瘤形状和免疫/肌细胞群体差异,特别是在老年患者中.
结论:
- 年龄是影响AML转录组复杂性和瘤概况的重要因素.
- 与年龄相关的分子特征对于完善AML风险分层很重要.
- 这些发现为开发新型,年龄特定的AML治疗点提供了潜力.


