整合机器学习和门德尔随机化来识别膀癌中的遗传生物标志物:对早期诊断和向治疗的影响

科学领域:

• 基因组学和生物信息学
• 癌症研究 癌症研究
• 生物标志物发现发现

背景情况:

• 膀癌 (BC) 因其高复发率和死亡率而带来重大公共卫生挑战.
• 早期发现BC仍然很困难,需要识别新的遗传生物标志物.
• 集成先进的计算方法是发现有效的诊断和治疗目标的关键.

研究的目的:

• 通过机器学习和门德尔随机化的结合,识别和验证膀癌 (BC) 的新型遗传生物标志物.
• 评估BC中已识别的生物标志物的诊断和潜在的治疗作用.
• 探索基因表达和BC风险之间的因果关系.

主要方法:

• 对五个基因表达总 (GEO) 数据集的分析,以识别差异表达基因 (DEG).
• 机器学习模型的应用用于诊断性能评估和权重基因同表达网络分析 (WGCNA).
• 在BC细胞系中进行因果推断和体外验证的门德尔随机化 (MR) 分析.

主要成果:

• 48个DEG的识别,其中WGCNA的绿色模块与BC.密切相关.
• 通过机器学习模型,FAM107A被确定为具有高诊断精度的关键生物标志物.
• 核磁共振分析和体外研究证实FAM107A过度表达对BC有保护作用,抑制细胞增殖和迁移.

结论:

• 机器学习和门德尔随机化的整合对于发现BC遗传生物标志物是有效的.
• 作为个性化膀癌治疗的诊断和治疗点,FAM107A显示出显著的希望.
• 这项研究为膀癌的潜在个性化治疗策略提供了新的见解.