基于机器学习的多omics集成用于识别埃及队列中的肝细胞癌生物标志物

科学领域:

• 在瘤学瘤学.
• 生物化学 生物化学
• 基因组学就是基因组学.

背景情况:

• 肝细胞癌 (HCC) 是全球癌症死亡的主要原因.
• 慢性型肝炎病毒 (HCV) 感染和肝硬化是HCC的主要风险因素,特别是在埃及.
• 由于缺乏有效的生物标志物,对HCC的早期诊断具有挑战性,限制了及时的治疗干预.

研究的目的:

• 为早期检测肝细胞癌 (HCC) 识别新型多组生物标志物.
• 为了区分HCC病例与患有恶性转化高风险的肝硬化患者.
• 为了利用多omics集成和机器学习在HCC中发现生物标志物.

主要方法:

• 利用基于质谱的非向和向分析蛋白质,N链 glycans 和血液样本中的代谢物.
• 从埃及的HCC病例和肝硬化队伍收集了样本.
• 应用集成分析与机器学习算法来识别区分多omics特征.

主要成果:

• 确定了一组能够将HCC与肝硬化区分开来的多omics特征.
• 证明了多omics集成在HCC生物标志物发现的潜力.
• 提供了对分子格局的洞察,使HCC与其前体肝硬化状态有所区别.

结论:

• 多omics集成为发现HCC早期诊断生物标志物提供了一个强大的策略.
• 识别的多omics小组显示了改善高风险人群中HCC检测的希望.
• 需要进一步验证才能将这些发现转化为HCC管理的临床实践.