综合机器学习和因果推断揭示了CHRDL1作为NSCLC的诊断和功能生物标志物

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:

• 非小细胞肺癌 (NSCLC) 由于迟诊断和缺乏早期生物标志物,导致显著的死亡率.
• 机器学习 (ML) 和因果推断为改善NSCLC生物标志物发现提供了潜力.
• 整合这些计算方法可以增强NSCLC的翻译研究.

研究的目的:

• 使用集成计算框架识别非小细胞肺癌 (NSCLC) 的新型诊断生物标志物.
• 探索已识别的生物标志物在NSCLC发病过程中的功能和因果作用.
• 为开发NSCLC早期检测和向治疗策略提供基础.

主要方法:

• 整合了六个NSCLC转录基因数据集,并使用了权重基因共同表达网络分析 (WGCNA) 来识别特征.
• 构建并评估了114个机器学习模型,利用随机森林实现最佳性能.
• 应用了双样本的孟德尔随机化 (MR) 进行因果推断和基因组丰富分析 (GSEA) 进行途径分析.

主要成果:

• 一个随机森林模型实现了高精度 (AUC=0.994),识别了9个诊断基因,包括CHRDL1.
• CHRDL1表现出强大的诊断能力 (AUC>0.80) 和与免疫细胞透模式的显著关联.
• 门德尔随机分析支持CHRDL1在NSCLC中的因果保护作用,与免疫激活和细胞周期调节有关.

结论:

• 综合性ML-MR框架成功地将CHRDL1确定为NSCLC的强大的诊断和功能相关的生物标志物.
• CHRDL1与免疫激活和细胞循环途径的关联为NSCLC的免疫增殖格局提供了洞察力.
• 这些发现支持CHRDL1作为早期NSCLC检测和治疗干预的潜在目标.