宫颈癌生物标志物解码：整合生物信息学、机器学习与实验验证的创新框架

《Cancer Investigation》：Decoding Cervical Cancer Biomarkers: An Integrated Framework of Bioinformatics, Machine Learning, and Experimental Confirmation

本研究针对宫颈癌早期诊断标志物匮乏的难题，来自PGlab-NIPER的研究团队通过整合生物信息学与机器学习方法，基于转录组学数据筛选出APOD、SPARCL1、AR、MCM2、NUSAP1、PLK1和STIL等7个关键基因，并经RT-PCR实验验证。该研究为宫颈癌早期诊断提供了新型生物标志物组合，相关ML预测模型已开源共享。

　　

作为女性第四大高发癌症，宫颈癌在全球范围内具有较高的死亡率。高危型致癌性人乳头瘤病毒（HPV）的持续感染是疾病进展的关键致病因素。遗憾的是，宫颈癌往往到晚期才被确诊，从而限制了治疗效果。因此，识别精确且显著的生物标志物至关重要。

高通量测序技术通过产生海量数据分析，彻底改变了靶向癌症治疗研究。本研究利用转录组学数据集，采用生物信息学与机器学习（ML）相结合的方法，成功识别出在宫颈癌中具有重要诊断价值的失调基因。通过实时荧光定量聚合酶链反应（RT-PCR）实验验证了七个潜在诊断标志物基因：APOD、SPARCL1、AR、MCM2、NUSAP1、PLK1 和 STIL。机器学习模型的构建基于宫颈癌重要通路中涉及的显著差异表达基因（DEGs）。这些预测模型已公开共享，可供进一步研究使用。