基于XGBoost和质谱的特征选择方法，用于识别与HBV相关肝病进展及肝细胞癌治疗相关的代谢生物标志物

《Journal of Proteome Research》：XGBoost- and Mass Spectrometry-Based Feature Selection for Identifying Metabolic Biomarkers Associated with HBV-Related Liver Disease Progression and Hepatocellular Carcinoma Treatment

XGBoost结合质谱分析代谢组学，比较慢性乙肝（CHB）、肝硬化和肝癌（HCC）患者及HCCAT治疗反应组，发现17个代谢标志物（9个新），其中eicosenoic acid等6种构成预后和治疗评估的生物标志物panel。

　　

XGBoost是一种梯度提升算法，在多类分类任务中以其高效性和鲁棒性而广受认可。代谢组学是发现生物标志物的强大工具；然而，与慢性乙型肝炎（CHB）进展为肝硬化（LC）和肝细胞癌（HCC）相关的代谢生物标志物，以及与HCC治疗效果相关的生物标志物，目前仍不明确。在这项研究中，采用基于XGBoost的机器学习方法结合质谱技术，分析了30名健康对照组（HC）、29名CHB患者、30名LC患者、30名HCC患者和30名HCCAT患者的代谢谱型。通过三项比较分析进行了生物标志物筛选：（1）HC、CHB、LC、HCC和HCCAT；（2）HC、CHB、LC和HCC；（3）HC、HCC和HCCAT。共鉴定出17个代谢生物标志物，其中9个之前未与HBV相关的肝脏疾病相关联。值得注意的是，由二十二碳五烯酸、二氢吗啡、半胱氨酸、乙酸、谷甾醇和次黄嘌呤组成的潜在生物标志物组合，在疾病预后和治疗评估方面显示出潜力。这些发现凸显了将代谢组学与机器学习相结合以识别与HBV相关肝脏疾病进展和治疗反应相关的新代谢生物标志物的巨大潜力。