IF 6+ 10种机器学习算法预测预后和指导治疗的肝细胞癌的新预后特征

最新推荐文章于 2025-06-13 10:17:23 发布

原创最新推荐文章于 2025-06-13 10:17:23 发布

· 1.1k 阅读

22 ·

版权

文章标签：

#机器学习 #算法 #人工智能

这期分享一篇2024年9月发表在 IF 6+ Frontiers in lmmunology 的文章 Novel prognostic signature for hepatocellular carcinoma using a comprehensive machine learning framework to predict prognosis and guide treatment，作者使用综合机器学习框架预测预后和指导治疗的肝细胞癌的新预后特征。

摘要

背景：肝细胞癌（HCC）具有高度侵袭性，诊断延迟，预后差，缺乏全面准确的预后模型来协助临床医生。本研究旨在构建HCC预后相关基因标记（HPRGS）并探讨其临床应用价值。

方法：采用TCGA-LIHC队列进行训练，采用LIRI-JP队列和HCC cDNA芯片进行验证。机器学习算法构建了HCC的预后基因标签。采用Kaplan-Meier、ROC曲线、多重分析、算法和在线数据库分析高危人群与低危人群的差异。为方便临床应用，构建了影像学图。

结果：基于来自5个独立HCC队列的转录组测序数据，我们鉴定出119个差异基因，其中53个基因与总生存期（OS）相关。使用101种机器学习算法，选择了10个最具预后的基因。我们构建了包含四个基因（SOCS2、LCAT、ECT2和TMEM106C）的HCC HPRGS。ROC曲线、c -指数曲线和K-M曲线证实了HPRGS具有良好的预测性能。突变分析显示低危患者之间存在显著差异。低危组对经导管动脉化疗栓塞（TACE）和免疫治疗有较高的反应。预测高危组和低危组对小分子药物的治疗反应。利尼法尼是一种潜在的高危人群用药。多因素分析证实HPRGS是TCGA-LIHC的独立预后因素。为临床实践提供参考。

结论：构建HCC HPRGS，能够准确预测OS，指导HCC患者的治疗决策。

生信分析流程

数据集选择

转录组数据：

7 cohorts (GSE13845, GSE25097, GSE84402, GSE174570, GSE54236, GSE14520 and GSE104580)

TCGA-LIHC、LIRI-JP、ICGC database

基因突变数据：

TCGA-LIHC、LIRI-JP

HCC cDNA microarray

基因集选择

差异基因：LMRG, ARG, CRG, EMTRG, FMRG, CFG, NRG, RRG, IRG

实验方法

qRT-PCR

生信分析方法

根据文章的分析流程提取所有的分析内容，整理出来就9个分析条目，每个条目都包括分析的内容，这些分析构成了整个文章，本文基于全长转录组文章，下面我们就看看哪些分析可以利用桓峰基因公众号的教程来实现，点击分析条码就会跳转到对应公众号的教程，跟着教程做，您也能发轻松发高分，如下：

免疫治疗反应预测

评估肿瘤样本基因表达谱中肿瘤免疫逃避的可能性(TIDE);

探索潜在的治疗药物

10种机器学习算法

1. Least Absolute Shrinkage and Selection Operator Regression Algorithm (Lasso)

2. Ridge Regression Algorithm (Ridge)

3. Stepwise Cox Proportional Hazards Regression Algorithm (stepwiseCox)

4. CoxBoost Algorithm (CoxBoost)

5. Random Survival Forest Algorithm (RSF)

6. Elastic Net Regression Algorithm (Enet)

7. Partial Least Squares Regression To Cox Models Algorithm (plsRcox)

8. Supervised Principal Components for regression Algorithm (SuperPC)

9. Gradient Boosting Machine Algorithm (GBM)

10. Survival support vector machines Algorithm (survival-SVM)

构建列线表

采用单因素和多因素Cox回归分析评价不同临床病理因素与OS的相关性

1. 构建nomogram(RMS);

2. 1年、2年和3年生存率的预后校准曲线(RMS);

3. 评价敏感性和特异性(timeROC);

4. 使用Wilcoxon秩和检验对连续变量进行分析;

5. 分类变量采用卡方检验进行统计学比较;

6. c指数评价模型的预测能力;

R语言绘图教程

7. 直方图 (HistogramPlot)

8. 小提琴图 (ViolinPlot)

9. 相关性矩阵图(Correlation Matrix)

10. 主成分绘图(pca3d)

11. 绘制误差线 (Errorbar)

研究结果

研究的整个分析过程

HCC预后基因的鉴定和功能注释

HCC预后特征的发展

HPRGS的评估

高危人群和低危人群生物功能的差异

高危人群和低危人群的基因组差异

高危人群和低危人群免疫微环境的差异

在高低风险人群中，不同治疗方案的获益差异

列线表的构建和验证

HPRGS在HCC cDNA芯片队列中的qRT-PCR验证

Reference

Zheng S, Su Z, He Y, You L, Zhang G, Chen J, Lu L, Liu Z. Novel prognostic signature for hepatocellular carcinoma using a comprehensive machine learning framework to predict prognosis and guide treatment. Front Immunol. 2024 Sep 24;15:1454977.