微RNA签名和机器学习模型用于预测HER2-阳性乳腺癌患者的心脏毒性

科学领域:

• 在瘤学瘤学.
• 心脏病学 心脏病学
• 生物标志物 生物标志物

背景情况:

• 接受化疗和向治疗的HER2阳性乳腺癌患者患有心脏毒性高风险.
• 早期识别心脏毒性生物标志物对于及时干预和预防心血管并发症至关重要.

研究的目的:

• 在接受心脏毒性化疗的HER2阳性乳腺癌患者中研究循环中的微RNA (miRNA) 的差异表达.
• 使用机器学习模型评估这些miRNAs用于预测治疗诱导心脏毒性的预后能力.

主要方法:

• 收集了47名HER2阳性乳腺癌患者的血液样本,以分析84个miRNA.
• 利用差异表达分析,逻辑回归和ROC分析来识别可预测的miRNA.
• 开发并比较了五种机器学习模型 (决策树,RF,SVM,GBM,KNN) 用于心脏毒性分类.

主要成果:

• 在心脏毒性和非心脏毒性组之间,有45个miRNAs的显著差异表达.
• hsa-miR-155-5p和hsa-miR-124-3p显示出强大的预测值 (AUC> 0.75).
• SVM,kNN和RF模型显示出高预测准确度,决策树将hsa-miR-17-5p和hsa-miR-185-5p确定为关键分类器. 最顶级的miRNA与亡,p53,MAPK和焦点粘附通路有关.

结论:

• 循环的miRNA具有作为预测乳腺癌患者心脏毒性的非侵入性生物标志物的巨大潜力.
• 机器学习增强了miRNAs在风险分层方面的实用性,促进了个性化监测和心脏保护策略.