基于路径的血代谢生物标志物用于肺癌检测的机器学习驱动预测建模的转化影响

科学领域:

• 生物化学 生物化学
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.

背景情况:

• 早期检测肺癌对生存至关重要,但目前的方法缺乏敏感性和解释性.
• 开发准确和可访问的查工具是肺癌管理的一个重大挑战.

研究的目的:

• 开发一种机器学习管道,将血代谢物数据与肺癌查的代谢途径相结合.
• 为早期和准确的肺癌检测创建一个通路信息的生物标志物面板.

主要方法:

• 一项回顾性研究分析了800个血样本 (586例肺癌,214例对照).
• 评估了166种代谢物和60种途径,特征选择确定了41种预测因子 (9种途径,26种代谢物,6种人口学变量).
• 采用了支持矢量机 (SVM) 模型,实现了高精度和AUC.

主要成果:

• 在肺癌检测中,SVM模型显示了97%的准确性和0.97的ROC AUC.
• 途径分析,特别是谷氨酸分解和三代谢,提供了增强的生物指标.
• 特性选择减少了变量,同时保持了生物相关性,并最大限度地减少了过度拟合.

结论:

• 开发的非侵入性血生物标记面板为高风险人群的早期肺癌查提供了一种具有成本效益和可解释的方法.
• 该方法在临床环境中显示出强大的翻译潜力,改善了患者的治疗结果.
• 未来的研究应该包括多中心和前性验证,以及与精密瘤学的其他omics数据的整合.