整合多种omics和临床特征,以模拟表皮卵巢癌亚型的生存率
Raghda E Eldesouki1, Omar Tarek2, Hassan Morsi3
1Genetics Unit, Department of Histology and Cell Biology, School of Medicine, Suez Canal University, Ismailia, Egypt. reldeso23@gmail.com.
Scientific reports
|December 19, 2025
概括
这项研究开发了一种机器学习模型,使用癌症基因组图谱 (TCGA) 数据来预测上皮卵巢癌 (EOC) 的两年生存率. 支持矢量机 (SVM) 显示出最佳性能,识别了个性化风险分层的关键分子预测因素.
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:
- 表皮卵巢癌 (EOC) 呈现出显著的异质性,影响临床结果.
- 准确的生存预测对于有效的患者管理和治疗策略至关重要.
研究的目的:
- 开发和验证综合人口,临床和分子数据的综合模型,以预测EOC的两年生存率.
- 为了确定个性化风险分层的死亡率的关键分子预测因素.
主要方法:
- 利用了包括2,427名EOC患者 (1,011名具有基因数据) 的癌症基因组图谱 (TCGA) 数据集.
- 训练并评估机器学习模型,包括后勤回归,梯度提升分类器 (GBC),支持矢量机 (SVM) 和随机森林.
- 对特征重要性,差异基因表达,丰富和突变分析进行了沙普利添加物解释 (SHAP).
主要成果:
- 在死亡病例 (0.70) 中,SVM 显示出优异的回忆力,优先考虑临床相关性而不是 GBC 的更高的 ROC-AUC (0.81).
- 确定了WT1,HOXA11,TPM4,TMPRSS2,MUC16,SDHD,MYC和诊断时的年龄作为主要的死亡率预测因素.
- 发现了组织学特定的突变模式 (例如,TP53在血清性囊癌中,PTEN在子宫内腺癌中) 和与生存相关的突变.
结论:
- 使用人口,临床和分子数据的综合模型有效预测EOC生存率.
- 已识别的预后生物标志物 (例如TPM4,SDHD,MUC16,BCL6) 提供了未来治疗点的潜力.
- 该框架支持EOC的个性化风险分层和治疗决策.
