在妇科癌症中使用同表达网络和基于注意力的LSTM精确生物标志物识别在医疗保健中4.0

科学领域:

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

背景情况:

• 宫癌 (CC) 和卵巢癌 (OC) 是女性癌症相关死亡的主要原因.
• 有效的早期诊断和预后生物标志物对于改善患者的治疗结果至关重要.
• 目前的诊断和预后工具需要对妇科恶性瘤进行增强.

研究的目的:

• 用综合生物信息学和医疗保健4.0方法识别和验证用于宫和卵巢癌的新型基因生物标志物.
• 探索针对性治疗所识别的生物标志物的诊断和预后潜力.
• 为了利用机器学习和网络分析进行强大的生物标志物发现.

主要方法:

• 微阵列数据集的差异基因表达分析以识别候选基因.
• 机器学习算法 (mRMR,SVM-RFE,AttLSTM) 用于选择显著差异表达基因 (MDEGs).
• 权重基因共同表达网络分析 (WGCNA) 和蛋白质与蛋白质相互作用 (PPI) 网络分析,以确定共同表达和枢纽基因.

主要成果:

• 四个枢纽基因 (MCM3,FOXM1,SH3BP5,PAPSS2) 被确定为CC和OC中的关键参与者.
• 在癌症组织中,FOXM1和MCM3显示出显著的上调,而SH3BP5和PAPSS2则显示出下调.
• 这些基因表现出高预后意义,在ROC分析中具有强大的区分能力,并且与FDA批准的药物具有显著的结合亲缘关系.

结论:

• FOXM1,MCM3,SH3BP5和PAPSS2是早期预后和诊断CC和OC的潜在生物标志物.
• 这些生物标志物可能有助于开发针对妇科癌症的向治疗策略.
• 该研究强调了综合生物信息学和医疗保健4.0在生物标志物发现中的实用性.