典型文献
基于机器学习构建皮肤恶性黑色素瘤转移特征预测模型的研究
文献摘要：
目的 利用机器学习构建皮肤恶性黑色素瘤转移特征预测模型.方法 基于TCGA数据库中470例皮肤恶性黑色素瘤样本数据(其中原发性肿瘤TP组103例,转移肿瘤TM组367例),分3种方法筛选转移特征基因:1.使用edgeR与DESeq2R包筛选TP组与TM组表达差异基因;2.使用加权基因共表达网络分析(weighted correlation network analysis,WGCNA),鉴定肿瘤转移特征性状相关基因模块,并用GO(gene ontology)和GSEA(gene set enrichment analysis)富集分析转移特征相关基因的生物学功能;3.通过受试者工作特征曲线(receiver operating characteristic curve,ROC)筛选转移特征性基因,三者取交集后,利用机器学习XGBoost算法构建转移相关基因特征分类模型,并用来自GEO数据库的外部测试集GSE190113进行验证.结果 共筛选TP组与TM组差异表达基因1804个,WGCNA分析发现黑色模块与转移性状密切相关(r=-0.46),该模块包含529个基因,ROC分析基于AUC(Area under curve)值>0.7标准共筛选806个基因,三者取交集后获得142个基因,利用XGBoost算法成功构建皮肤恶性黑色素瘤转移特征判定模型,内部测试集预测AUC值为0.88,外部测试集预测AUC值为0.85.结论 本机器学习模型能较为准确预测皮肤恶性黑色素瘤的转移特征,对帮助判断患者的临床分型及分期、优化治疗方案具有一定指导意义.
文献关键词：
皮肤恶性黑色素瘤;转移;机器学习;分类模型
中图分类号：
作者姓名：
王英伦;何孜灏;黎思颖;郑子豪;董博文;邓展程;陈秋锐;沈晗
作者机构：
广东药科大学生命科学与生物制药学院,广东广州510006;广东省生物技术候选药物研究重点实验室,广东广州510006
文献出处：
引用格式：
[1]王英伦;何孜灏;黎思颖;郑子豪;董博文;邓展程;陈秋锐;沈晗-.基于机器学习构建皮肤恶性黑色素瘤转移特征预测模型的研究)[J].广东药科大学学报,2022(03):85-92
A类：
DESeq2R,GSE190113
B类：
基于机器学习,皮肤恶性黑色素瘤,黑色素瘤转移,转移特征,特征预测,TCGA,原发性肿瘤,TP,TM,特征基因,edgeR,表达差异,差异基因,加权基因共表达网络分析,weighted,correlation,network,analysis,WGCNA,肿瘤转移,特征性状,gene,ontology,GSEA,set,enrichment,富集分析,生物学功能,受试者工作特征曲线,receiver,operating,characteristic,curve,交集,XGBoost,转移相关基因,基因特征,特征分类,分类模型,GEO,测试集,差异表达基因,转移性,Area,under,定模,内部测试,本机,机器学习模型,准确预测,临床分型,优化治疗
AB值：
0.308335
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
