目的 通过采用生物信息学与机器学算法分析和筛选公共数据库中膀胱癌的关键基因表达,探究膀胱癌的诊治生物标志物,并确定新的抗癌治疗靶点.方法 使用生物信息学方法从TCGA数据库中获取与膀胱癌患者相关的RNA表达谱和临床随访数据.实验分为对照组(正常组织样本)与实验组(膀胱癌患者).采用最小绝对收缩和选择算子(LAS-SO)、支持向量机递归特征消除(简称SVM-RFE)算法和Cox回归模型构建相关的预后标志物;利用受试者工作特征(ROC)曲线分析评估预测模型的准确性;通过基因本体论数据库(GO)基因功能注释、京都基因和基因组百科全书(KEGG)信号通路富集分析和Kaplan-Meier分析特征基因的预后;CIBERSORT算法探讨特征基因的免疫浸润水平.结果 LASSO筛选11个特征基因,SVM-RFE筛选37个特征基因,两个算法共有7个交集基因,并通过单因素COX共筛选获得与膀胱癌预后相关的3个特征基因,分别为人乳铁蛋白基因(HLF)、F10和上皮膜蛋白(EMP)1;功能分析也显示差异基因在一些癌症通路上显著富集;免疫浸润分析结果显示,在对照组和实验组中多个免疫细胞存在差异.结论 采用生物信息学与机器学算法筛选特征基因的模型可为膀胱癌的病情发展机理、肿瘤标志物的鉴定提供相关理论基础,并可能在指导膀胱癌靶向治疗方面发挥潜在作用.

膀胱癌;机器学习;生物信息学;预后标志物;差异表达基因

何俊翔;张海燕;李海;张茁

吉林大学中日联谊医院 泌尿外科,吉林 长春 130000;吉林大学中日联谊医院 胃肠结直肠外科,吉林 长春 130000

中国老年学杂志

[1]何俊翔;张海燕;李海;张茁-.基于机器学习筛选膀胱癌预后标志物)[J].中国老年学杂志,2022(24):5957-5961

基于机器学习,膀胱癌预后,预后标志物,算法分析,公共数据库,关键基因表达,治生,生物标志物,抗癌治疗,治疗靶点,生物信息学方法,TCGA,膀胱癌患者,表达谱,临床随访,随访数据,正常组织,最小绝对收缩和选择算子,支持向量机递归特征消除,RFE,Cox,受试者工作特征,分析评估,评估预测,基因本体论,基因功能注释,京都基因和基因组百科全书,信号通路富集,通路富集分析,Kaplan,Meier,特征基因,CIBERSORT,免疫浸润水平,LASSO,法共,交集,COX,人乳,乳铁蛋白,HLF,F10,皮膜,膜蛋白,EMP,功能分析,差异基因,癌症通路,免疫细胞,病情发展,发展机理,肿瘤标志物,靶向治疗,潜在作用,差异表达基因

0.338578