通过机器学习和可解释的人工智能使用in silico和in vitro分析来识别表皮卵巢癌的新生物标志物
Zahra Chekini1,2, Toktam Dehghani3, Reza Khayami1
1Department of Medical Genetics and Molecular Medicine, Faculty of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran.
Scientific reports
|November 25, 2025
概括
新的生物标志物SGO1,VTA1和RBM5-AS1显示出用于诊断和预测上皮卵巢癌 (EOC) 的前景. 这些通过RNA-seq和机器学习识别的基因提供了改进的EOC检测和预后.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物标志物发现发现
背景情况:
- 表皮卵巢癌 (EOC) 是一种高度致命的妇科恶性瘤.
- 准确的诊断和预后预测对于改善患者结果至关重要.
- 识别新的生物标志物对于推进EOC管理至关重要.
研究的目的:
- 为了确定新的RNA测序 (RNA-seq) 基于表皮卵巢癌 (EOC) 的生物标志物.
- 开发和验证机器学习和可解释的AI (XAI) 模型,用于EOC诊断和预后.
- 评估EOC中选定的枢纽基因的诊断和预后潜力.
主要方法:
- 来自EOC患者的RNA测序数据使用机器学习和XAI进行了分析.
- 使用SHapley添加式扩展 (SHAP) 分析确定了枢纽基因.
- 基因表达通过实时PCR在EOC组织和外周血液单核细胞 (PBMC) 中得到验证.
主要成果:
- 鉴定了三个枢纽基因 (SGO1,VTA1,RBM5-AS1),它们参与细胞循环,雌激素信号传递和囊泡贩运.
- 在EOC组织和PBMC中,SGO1和VTA1的表达显著增加.
- 与良性对照相比,EOC组织和PBMC中的RBM5-AS1表达显著下降.
结论:
- VTA1和RBM5-AS1显示出作为EOC的诊断和预后生物标志物的潜力.
- SGO1可能会成为上皮卵巢癌的有价值的诊断生物标志物.
- 这些发现有助于开发改进的EOC检测和管理策略.
