脂肪基机器学习预测器用于胃癌的进展
Xian Ding1, Jun Zhou2, Zhaoying Wang3
1Pharmacy Department of Beijing Chao-Yang Hospital, Capital Medical University, Beijing 100020, China; State Key Laboratory of Bioactive Substance and Function of Natural Medicines, Institute of Materia Medica, Chinese Academy of Medical Sciences, Peking Union Medical College, Beijing 100050, China.
Clinica chimica acta; international journal of clinical chemistry
|November 22, 2025
概括
这项研究使用机器学习和脂管学来确定胃癌 (GC) 进展的关键脂质生物标志物. 一个预测模型准确地检测了GC及其转移,提供了新的诊断和治疗途径.
科学领域:
- 生物化学 生化学
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
背景情况:
- 胃癌 (GC) 因其高死亡率和侵略性而构成重大全球健康挑战.
- 识别和描述GC进展的有效策略对于改善患者存活率至关重要.
研究的目的:
- 识别和验证与胃癌 (GC) 瘤发生和转移性进展相关的脂质生物标志物.
- 使用已识别的脂质配置文件,开发GC检测和转移的预测模型.
主要方法:
- 综合分析结合了机器学习驱动的脂组学和孟德尔随机化 (MR).
- 在GC进展过程中分析脂质体调节失调和动态模式.
- 开发一种机器学习预测器,使用11种经过验证的脂质物种.
主要成果:
- 在GC进展期间,在57.9%的检测到的脂质中观察到显著的脂质学变化.
- 斯芬哥米林 (SMs),脂肪酸 (FA) 和胺 (Cers) 的明显积累,随着三糖醇 (TGs),脂胆 (PCs),脂乙醇胺 (PEs) 和脂胆 (LPCs) 的耗尽.
- 一个机器学习模型在GC检测方面达到92.3%的准确性,在转移预测方面达到78.3%.
结论:
- 这项研究揭示了关于GC病变的脂质代谢重编程的关键见解.
- 已经建立了一个临床可操作的预测平台,用于GC检测和转移预测.
- 研究结果为未来的GC研究和针对转移的治疗策略提供了宝贵的资源.
更多相关视频
03:05Author Spotlight: Advancing Early Detection and Treatment of Gastrointestinal Tumors
Published on: February 16, 2024
1.5K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K