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！