基于机器学习的瘤沉积分子特征集成改善了结肠腺癌的预后分层

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 结肠腺癌 (COAD) 是癌症死亡的主要原因.
• 瘤沉积物 (TDs) 是已知的预后因素,但它们的分子基础尚不清楚.

研究的目的:

• 在COAD中识别TD相关的分子签名.
• 开发一种机器学习 (ML) 模型,以改善风险分层.

主要方法:

• 对TCGA和GEO的转录和临床数据进行综合分析.
• 混合ML框架 (随机生存森林和逐步的考克斯回归) 用于模型构建.
• 使用生存分析,时间依赖ROC曲线和多变量分析进行验证.

主要成果:

• 该ML模型准确地将COAD患者分为不同的风险组 (P < 0.001).
• 高风险患者表现出增加的免疫逃避和药物敏感性的改变.
• 关键的改变途径包括ECM受体相互作用和PPAR信号传递.

结论:

• 基于ML的DT分子签名的集成为COAD提供了一个强大的风险模型.
• 这种方法可以提高预后准确性,并为个性化治疗策略提供信息.
• 强调可解释的ML在分子瘤风险建模中的实用性.