基于机器学习的生物标志物识别方法：通过基因表达分析识别早期非小细胞肺癌的生物标志物 作者：Zorka Szollár、Fanni Dzsubák、ádám ürm?s、Barbara N. Borsos、Balázs Bende、Zoltán G. Páhi 和 Tibor Pankotai

《International Journal of Molecular Sciences》：Machine Learning-Based Identification of Biomarkers for Early-Stage Non-Small Cell Lung Cancer Through Gene Expression Analysis Zorka Szollár, Fanni Dzsubák, ádám ürm?s, Barbara N. Borsos, Balázs Bende, Zoltán G. Páhi and Tibor Pankotai

　　

摘要

肿瘤进展主要由DNA突变驱动；然而，这一机制并不能完全解释肿瘤发展的所有方面。除了基因改变之外，表观遗传变化也会显著影响突变谱，并在不改变DNA序列的情况下影响基因表达。为了更全面地理解这些调控机制，分析转录水平上的基因表达至关重要。在这项研究中，我们检查了非小细胞肺癌（NSCLC）样本，以识别特定的基因表达变化，尤其是在早期肿瘤中。我们对RNA测序数据进行了生物信息学分析，并使用来自癌症基因组图谱（The Cancer Genome Atlas）的独立数据集进行了验证。我们的分析发现了一组差异表达基因，其中7个基因在患者来源的样本中得到了验证。在这些基因中，EFNA4和TEDC2表达显著上升，而CDC42EP2、STX11、THBD、TMEM88和GPM6A在肿瘤组织中的表达明显低于邻近的正常组织。我们的发现揭示了一种独特的基因表达特征，这种特征在转录水平上将NSCLC样本与正常肺组织区分开来。这些结果强调了转录组分析作为早期癌症检测和生物标志物发现的有前景的工具的潜力。