使用机器学习引导的两步框架,对结直肠癌进行基于非亡调节细胞死亡的预后风险模型
Avik Sengupta1, Sushree Sangita Kar1, Rahul Kumar1
1Department of Biotechnology, Indian Institute of Technology Hyderabad, Kandi, Dist. Sangareddy, Telangana 502285, India.
Briefings in bioinformatics
|December 5, 2025
概括
我们开发了一种新的机器学习模型,使用非亡调节的细胞死亡途径来预测结直肠癌的预后. 这种联合调节的细胞死亡指数 (c-RCDI) 准确地对患者进行分层,并确定潜在的治疗点.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 遗传学 是一个遗传学.
背景情况:
- 结肠直肠癌 (CRC) 的预后受到瘤异质性的挑战.
- 非亡调节细胞死亡 (NARCD) 途径正在成为癌症进展的关键因素.
研究的目的:
- 使用机器学习框架开发一个强大的CRC预后风险模型.
- 确定关键的NARCD途径和基因特征,以改善CRC患者分层.
主要方法:
- 在两个大型独立的CRC患者队列 (TCGA和E-MTAB-12862) 中,应用了两步机器学习管道.
- 通过46种组合ML生存模型分析了13种NARCD途径.
- 后勤回归整合了特定途径的模型,以创建组合调节的细胞死亡指数 (c-RCDI).
主要成果:
- 铁,网,热和自的协同组合显示出最高的预测能力.
- 43基因c-RCDI模型独立分层的CRC患者具有很高的准确性 (5年AUROC=0.88,HR=55.1,P<0.001).
- 预测能力是CRC特有的,在高风险和低风险组之间确定了不同的生物丰富和治疗敏感性.
结论:
- 新的两步ML框架有效地利用NARCD途径进行CRC预后.
- 该c-RCDI表现出强大的预测能力,为改善CRC诊断和治疗提供了潜力.
- 这些发现突显了NARCD途径在结直肠癌中的预后意义.
