内行好，今天跟内行共享一篇题为Metabo lomic machine learning predictor for diagnosis and prognosis of gastric cancer（代谢组学机器学习揣摸癌症的会诊和预后）胃癌(GC)是全球癌症关联死一火率的一个要紧就业，这突显了报复需要制定早期检测战术和精确的术后搅扰行动。
琢磨布景
胃癌 （GC） 谢宇宙领域内组成了癌症关联死一火率的千里重就业，突显了制定早期检测战术和精确术后搅扰的报复需求。可是，用于早期会诊和患者风险分层的无创生物璀璨物的飞舞仍未获得充分探索。在这里，咱们对来自多中心参与者的 702 份血浆样本进行了有针对性的代谢组学分析，以发扬 GC 代谢重编程。
咱们的机器学习分析揭示了一个 10 代谢物 GC 会诊模子，该模子在外部测试聚首进行了考证，聪惠度为 0.905，优于愚弄癌症卵白质璀璨物的传统程序（聪惠度< 0.40）。此外，咱们机器学习养殖的预后模子阐扬出优于愚弄临床参数的传统模子的性能，并灵验地将患者分层到不同的风险组以指点精确搅扰。
总的来说，咱们的琢磨效果揭示了 GC 的代谢景不雅，并细目了两个不同的生物璀璨物组，分别概况进行早期检测和预后揣摸，从而促进 GC 的精确医疗。
张开剩余83%见图一
琢磨的暗示图抽象。
图一
琢磨瞎想抽象。该插图是使用 BioRender.com 上的十足许可证创建的。该琢磨共纳入 702 东谈主，他们的血浆样本继承了靶向代谢组学分析。比较部队 1 （n = 426） 中胃癌 （GC） 患者和非 GC 对照 （NGC） 的代谢特征，以刻画 GC 中的代谢重编程。使用来自部队 1 的代谢组学数据和机器学习技巧，创建并考证了 GC 会诊模子（10-DM 模子）。该模子在测试集 2 （部队 2，n = 95） 中获得了进一步考证。使用机器学习算法分析来自部队 3 （n = 181） 患者的代谢组学数据过头临床特征，以确立预后模子 （28-PM 模子）。这两个模子的性能以临床使用的生物璀璨物/临床特征为基准。图中不同姿色的三角形代表用于模子构建、考证和比较过程的不同参与者组。源数据算作 源数据 文献提供。
见图二GC 患者与非 GC 对照比较的重编程血浆代谢景不雅。
图二
a 部队 1 （n = 426） 血浆靶向代谢组学数据的主因素分析 （PCA），比较 GC 患者（紫色）和 NGC 对照（绿色）。
b 部队 1 血浆代谢组学中检测到的代谢物的火山图（GC 患者与 NGC 对照）。显赫互异代谢物呈紫色（上调）和绿色（下调）;其他的则为灰色。双侧 Wilcoxon 秩和磨练，然后是 Benjamini-Hochberg （BH） 多重比较磨练，造作发现率 （FDR） < 0.05，倍数变化 （FC） > 1.25 或 < 0.8。
c 阐发代谢变化的相同性，使用互异代谢物对 GC 进展过程中的代谢轨迹进行 Mfuzz 聚类。每个簇的代表性代谢物显露在侧面。
d 京齐基因和基因组百科全书 （KEGG） 代谢道路在 GC 患者和 NGC 对照之间由领悟互异代谢物富集。使用单侧 Fisher 精确磨练，然后是 BH 多重比较磨练，仅建议 FDR < 0.05 的通路。源数据算作 源数据 文献提供。
见图三基于血浆代谢组的机器学习养殖揣摸模子用于 GC 会诊。
图三
a 建模就业历程的瞎想。采纳 LASSO 转头和赶快丛林算法进行特征采纳和模子教练。10-DM 模子在测试集和外部测试聚首进行了考证。该插图是使用 BioRender.com 上的十足许可证创建的。
b 测试集 1 顶用于会诊 GC 患者的受试者就业特征 （ROC） 弧线。阐发 1000 次赶快抽样测试的均值和协方差策划 95% 置信区间。
c 10 种代谢物对 10-DM 模子的孝顺。
d–g，10-DM 模子在测试集 1 （d） 和测试集 2 （e） 中永诀 GC （紫色）和 NGC （绿色），以及永诀 I 期 GC 患者 （IA 期黄色和 IB 期棕色） 在测试集 1 （f） 和测试集 2 中与 NGC 的揣摸性能 （g).虚线表现 0.50 的戒指值，用于将揣摸的 NGC（左侧）与 GC（右侧）分开。源数据算作 源数据 文献提供。
见图四
预后模子在揣摸 GC 患者预后方面优于临床参数。
图四
a 预后模子瞎想的暗示图大纲。S 幸存下来，D 死一火。
b 测试集的 ROC 弧线分析。95% CI 是阐发 1000 次赶快抽样测试的平均值和协方差策划得出的。
c 通过单变量 Cox 转头分析细方针具有领悟预后关联性的临床参数的丛林图。P < 0.05 的参数被觉得具有统计学意旨，并由绿线表现。中间的点和线代表 HR 和 95% Cl，由 log 10 缩放。EGC，早期胃癌。TNM 分期、肉眼外不雅和血管肿瘤栓塞的 P 值分别阐发 n = 181 、 180 和 180 个零丁样本的数据策划。
d 测试聚首宏不雅外不雅、TNM 分期、血管肿瘤栓塞和 28-PM 模子的 C 指数值比较 （n = 60）。C 指数和 95% Cl 显露在相对彩色条柱下。
e 使用 28-PM 模子对测试集患者 （n = 60） 进行预后揣摸。以 2.1 的临界值绘图的虚线将患者分为高危组和低危组。绿色圆圈和灰色圆圈表现测试聚首的 survived 和 deceased。箭头指向死于腹黑病发作的死者。
f Kaplan-Meier 弧线显露测试集 GC 患者 （n = 60） 的总糊口期 （OS） 和无病糊口期 （DFS），按预后风险评分 （临界值 = 2.1） 分层。P 值采纳双侧对数秩磨练策划。g 高危组死一火和复发/飘摇比例较高。使用双侧 Fisher 精确磨练策划 P 值。源数据算作 源数据 文献提供。
02
磋商量断
总的来说，咱们的发现刻画了 GC 中的代谢重编程，并结合了机器学习算法来构建两个模子，分别识别 GC 患者并揣摸他们的预后。咱们的就业增强了对 GC 病理学的联结，促进了 GC 早期检测的发展，并发扬了 GC 的精确休养。更一般地说，该框架卓越了基于机器学习的组学数据讲授在肿瘤检测和决策指点方面的特有上风，何况不错实施到探索其他疾病。
好了现金九游体育app平台，今天的文献解读就到这儿来，咱们下期相遇！若是你正在开展临床琢磨.需要有策划瞎想.数据科罚. 数据分析等撑捏.也随时不错联系咱们。
发布于：广东省