基于机器学习框架开发DNA复制应激模型以用于预测原发性前列腺癌的临床结果及治疗易感性

主要观点总结

本文介绍了来自暨南大学第一附属医院麻醉科的Huang Ronghua等人使用多种机器学习算法构建预测前列腺癌复发的模型的研究。该研究旨在通过机器学习框架开发DNA复制应激模型，以预测原发性前列腺癌的临床结果及治疗易感性。

关键观点总结

关键观点1: 研究背景

前列腺癌是常见的癌症，存在相当大的异质性，治疗方式需考虑患者基因组和临床差异。但现有的临床特征和检测不足以预测PCa的进展或指导治疗方案，因此存在过度治疗或治疗不足的风险。

关键观点2: 研究目的

研究旨在通过机器学习算法开发DNA复制应激模型，以预测原发性前列腺癌的临床结果和治疗易感性。

关键观点3: 数据集获取

研究从TCGA数据库获取PRAD的体细胞突变数据作为训练集，拷贝数变异数据和转录组数据。同时从其他数据库下载外部验证数据集。

关键观点4: 研究方法

研究使用单因素cox分析TCGA-PRAD数据集，确定与前列腺癌复发相关的基因；然后使用Bootstrap方法和Boruta算法进一步筛选基因。最后使用7种与生存相关的机器学习算法进行基准测试，选择表现最佳的XGBoost模型来构建RSS。

关键观点5: 研究结果与结论

研究发现Boruta算法识别出47个与前列腺癌复发相关的复制压力相关基因。XGBoost生存模型表现最佳，平均C-index值最高。研究还探讨了RSS的预后价值，并将具有最优超参数的XGBoost模型拟合到整个TCGA-PRAD数据集构建。此外，研究还进行了药物基因RNA表达之间的Spearman相关性分析，并鉴定潜在治疗靶点和药物。总的来说，该研究采用多种机器学习算法构建了一个可以预测原发性PCa复发和治疗反应的模型RSS，为PCa风险分层和治疗指导提供有价值的信息。