整合DNA甲基化与临床特征以预测前列腺癌的预后

《BMC Cancer》：Integrating DNA methylation and clinical features to predict prostate cancer prognosis

　　

摘要

本研究探讨了前列腺癌中DNA甲基化模式与临床病理特征之间的关系。我们对与前列腺癌相关的甲基化位点进行了靶向下一代测序（NGS），并计算了相应的甲基化率。临床样本被分为训练集和预测集。在训练集中，我们使用无监督聚类和支持向量机（SVM）模型来区分前列腺癌样本和非癌样本。对于预测，K-最近邻（KNN）算法用于评估样本相似性，而SVM则用于分类。贝叶斯方法结合概率来预测癌症状态和样本分组。为了解决均匀流形逼近和投影（UMAP）所识别的不确定性，我们使用随机森林支持向量机（RFSVM）对结果进行了验证，该算法突出了对SVM训练有重要意义的甲基化位点。我们还应用了深度校正方法来减少测序深度的差异。

在训练数据集中，RFSVM的留一法交叉验证（LOOCV）预测准确率为0.85（AUC：0.91）；对于RFSVM-depth模型，准确率为0.83（AUC：0.93）。贝叶斯支持向量机（BSVM）的LOOCV预测准确率为0.87（AUC：0.94），在应用深度校正后准确率降至0.83（AUC：0.91）。在测试数据集中，我们的贝叶斯模型预测准确率为0.8793（敏感性：0.8182，特异性：0.9167），经过深度校正后准确率提高到0.9655（敏感性：1.0，特异性：0.9444）。RFSVM的准确率为0.8621（敏感性：0.8182，特异性：0.8889），但在应用深度校正后准确率降至0.7759。在58个样本中，预测结果有67%完全一致，甲基化率的一致性为84%，特定甲基化位点的一致性为78%。图6全面比较了RFSVM、BSVM、XBSVM和RFESVM在训练集和测试集上的性能，包括特征选择和预测一致性。混淆矩阵、ROC曲线和维恩图被用来详细说明每种方法的特征重要性和预测一致性。

这些发现强调了分析单个甲基化位点和更广泛的甲基化模式在理解DNA甲基化在前列腺癌中的作用中的重要性，为数据预处理和特征选择的效果提供了宝贵的见解。