机构名称：
¥ 1.0
生物信息学和计算医学计划，美国路易斯安那州立大学健康科学中心，新奥尔良，洛杉矶70112，美国。背景：尽管在患者管理和筛查方面取得了显着进展，但大肠癌（CRC）仍然是全球与癌症相关死亡的主要原因。CRC的发病率和侵略性上升突出了迫切需要发现新型临床可行的生物标志物，用于开发新型治疗剂的靶标以及算法的发展，这些算法可以准确地鉴定患有侵略性疾病的患者，这些患者可以优先治疗。这项研究的目的是发现潜在的临床可行的诊断和预后基因特征，治疗靶标以及开发机器学习（ML）算法，这些算法（ML）算法可以准确预测疾病的侵略性和临床结果多组学数据。方法：我们使用了从基因组数据共享下载的癌症基因组图集（TCGA）的临床信息注释的公开可用的RNA-seq和体细胞突变数据。我们进行了分析，比较了病例和对照之间的基因表达水平，以发现潜在诊断标记的签名。随后，我们比较了生存的个体与死亡以发现潜在预后标记的签名的个体之间的基因表达水平。我们评估了体细胞突变的基因，并进行了基因集富集分析。发现的基因集被用作ML算法开发和验证的特征。结果：我们发现了与CRC相关的基因的签名和一个预测生存的基因的特征。将基因表达与体细胞突变数据相结合，然后进行富集分析，发现基因特征，分子网络和富含体细胞突变的信号通路。分析产生了目前正在进行的ML算法的开发和验证的基因集。结论：多组分学的整合为发现潜在的临床可行诊断，预后标记和靶标提供了一种有力的方法，以开发CRC中新型疗法。它为开发ML算法提供了一个预测临床结果的框架。单词计数：296/300
将机器学习应用于生物标志物发现和结果预测
主要关键词
相关文件推荐
