通过路径信息的机器学习识别了儿童急性淋巴细胞白血病中高剂量甲基诱导的粘膜炎的遗传预测因素

科学领域:

• 在瘤学瘤学.
• 药物基因组学 药物基因组学
• 遗传学 遗传学是一种遗传学.

背景情况:

• 高剂量的甲状腺素对儿科癌症治疗至关重要,但经常导致粘膜炎.
• 粘膜炎可能导致治疗延迟,剂量减少,并对患者的存活率产生负面影响.
• 在生物途径中对甲状腺素诱导的粘膜炎的累积遗传影响尚不清楚.

研究的目的:

• 调查生物途径中的遗传变异对儿科癌症患者中甲状腺素诱导的粘膜炎的影响.
• 开发一种基于遗传多形态的粘膜炎风险预测模型.

主要方法:

• 在278名儿科急性淋巴细胞白血病患者的18个相关途径中评估单核酸多态 (SNPs).
• 利用联合基因变异协会的工具进行路径丰富分析.
• 开发了一个使用XGBoost机器学习来评估SNP贡献的预测模型.

主要成果:

• 在IL6 (P=0.04) 和WNT/β-catenin (P=0.048) 信号传输中发现了显著的途径丰富.
• 预测模型实现了0.76的曲线下面积 (AUC),突出了炎症和粘膜相关基因 (例如PRKCD,IL17B) 中的SNP.
• 当SNP特征被删除时,模型性能显著下降 (AUC降至0.61),证实了其预测价值.

结论:

• 这种通路信息的遗传分析确定了甲基酸诱导的粘膜炎的关键贡献者.
• 这些发现支持在儿科瘤学中使用多基因风险预测进行个性化毒性分析.
• 这种方法可以指导开发有针对性的疗法,以减轻治疗限制性粘膜炎.