基于生物信息学和机器学习识别与验证卵巢癌中糖酵解相关生物标志物
商泽斌1
杨天昊2
刘健3
赵兵刚3
赵新春3
聂善化4
1.天津中医药大学,天津3016172.中部战区93534部队医院,天津3017163.空军军医大学西京医院急诊科,陕西 西安 7100324.武警湖北省总队医院,湖北 武汉430061
摘要：目的 基于生物信息学和机器学习,旨在从糖酵解信号通路相关基因中探索对卵巢癌(OC)具有诊断价值的潜在生物标志物、 治疗靶点.方法 OC数据集来自GEO数据库及TCGA数据库,从KEGG数据库以及文献收集、整理得到糖酵解相关基因.通过差异表达分析、蛋白间相互作用(PPI)网络构建和机器学习算法包括最小绝对收缩和选择算法逻辑回归、支持向量机递归特征消除和随机森林算法来识别生物标志物.开发受试者工作特征(ROC)曲线以评估诊断价值.为研究识别到的生物标志物在OC中的潜在作用机制,随后进行了富集分析、药物敏感性分析,并采用TIMER、EPIC、MCPCOUNTER三种算法对生物标志物进行了免疫浸润分析.结果 共获得67个糖酵解相关基因,其中有20个基因在OC中差异表达.通过PPI网络筛选出10个枢纽基因,并通过机器学习识别到8个生物标志物,两者有6个交集基因.诊断价值评估表明8个生物标志物均具有较高的诊断价值(ROC曲线下面积为>0.7),此外,它们与肿瘤免疫细胞浸润、 药物反应联系密切.结论 多数糖酵解相关基因在OC患者中表达异常,为鉴别OC提供了诊断价值,其中GPI、ENO3性能最优.本研究可能为OC患者提供潜在的诊断生物标志物以及治疗靶点.
关键词：卵巢癌糖酵解生物信息学机器学习生物标志物
分类号：R737.31(泌尿生殖器肿瘤)TP181(自动化基础理论)
资助基金：国家自然科学基金(81971156)
论文发表日期：2023-09-28
在线出版日期：2026-08-26（本平台首次上网日期，不代表文献的发表时间）
页数：9( 867-875 )
英文信息