机器学习筛选肝癌复发的CpG甲基化信号特征

大家好,今天给大家分享的文章是,‘CpG Methylation Signature Predicts Recurrence inEarly-Stage Hepatocellular Carcinoma: Results From a Multicenter Study’,发表于2017年,杂志是JOURNAL OF CLINICAL ONCOLOGY 影响因子26.303 。如今,越来越多的人被诊断为早期肝癌,并且大多数患者中会发生复发。因此研究和肝癌复发相关的标志物对治疗肝癌也起着很重要的作用。该文章的亮点还在于使用两种机器学习算法来筛选显著CpG。

分别是:LASSO, Least AbsoluteShrinkage and Selector Operation;

SVM-RFE, Support VectorMachine-Recursive Feature Elimination;

该文章作者先用66个肿瘤组织做450K甲基化芯片,找到感兴趣的位点后扩大队列只测感兴趣的甲基化位点,最后也用了TCGA数据验证,甲基化芯片数据集:GSE75041。文章具体思路如下:

首先,作者在复发与否的66个肿瘤样本数据找差异甲基化位点,得到2,550 个不同的CpGs。然后,作者使用LASSO算法和SVM-RFE算法分别鉴定了30个CpG集合,得到14个CpG位点集合交集和46个并集。

在46个并集中继续使用惩罚Cox回归模型,最后缩小到3个甲基化位点:同时,也根据这三个甲基化位点,构建了风险模型公式:risk score = (0.104 ×methylation level of SGIP1) + (−1.125×methylation level of SCAND3) + (−0.085 × methylation level ofPI3)。并且称之为: a methylation-basedsignature for patients with E-HCC (MSEH)。

总结:

本文作者用甲基化芯片筛选差异CpGs,并使用了两种机器学习算法筛选队列中显著差异CpG位点,并进一步使用惩罚回归模型筛选到3个候选位点,并验证MESH可以将E-HCC分为两个不同的亚组,分别具有高或低复发风险,可能对患者的个体化随访和治疗策略具有临床意义。

请积极留言与我交流!

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181127G1OKIV00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码关注腾讯云开发者

领取腾讯云代金券