企业档案
会员类型：旗舰版
已获得阿仪网信誉 等级评定
(0 -40)基础信誉积累，可浏览访问
(41-90)良好信誉积累，可接洽商谈
(91+ )优质信誉积累，可持续信赖
阿仪网旗舰版会员：3年
工商认证 【已认证】
最后认证时间：
注册号： 【已认证】
法人代表： 【已认证】
参观次数：743206
技术文章
机器学习+基因组学+细胞实验验证：黑色素瘤新型生物标志物的发现之旅 | 上海富衡
点击次数：1854 发布时间：2025/8/26 9:07:10
标题：Gene Instability-Related lncRNA Prognostic Model of Melanoma Patients via Machine Learning Strategy 基于机器学习策略的黑色素瘤患者基因不稳定性相关 lncRNA 预后模型 期刊：Journal of Oncology （2023年之前IF=4.5；2023年后IF=0） 作者：Yan K;Wang Y;Shao Y;Xiao T 发表日期：2021
本研究通过机器学习策略构建了一个与基因不稳定性相关的lncRNA预后模型，为黑色素瘤的诊断和治疗提供了新的候选生物标志物。
黑色素瘤是侵袭性的皮肤恶性肿瘤之一，晚期患者死亡率极高。2021年，中国医科大学的研究团队通过机器学习方法，成功鉴定出7个与基因组不稳定性相关的lncRNA，可有效预测黑色素瘤患者预后。这一发现为黑色素瘤的早期诊断和治疗提供了新的分子靶点。
一、研究背景：黑色素瘤治疗的困境
黑色素瘤起源于黑色素细胞，近年来发病率持续上升。虽然早期患者通过手术可获得较好预后，但一旦发生转移，现有治疗手段效果有限。传统化疗和生物疗法对晚期患者效果不佳，亟需寻找新的诊断标志物和治疗靶点。
二、创新方法：机器学习助力基因筛选
研究团队从TCGA数据库获取了470例黑色素瘤患者的转录组数据、突变数据和临床随访数据。通过计算每个样本的体细胞突变数量，将样本分为高突变组和低突变组，筛选出61个与预后相关的lncRNA。
研究采用了两种机器学习算法：
LASSO回归分析
SVM-RFE（支持向量机递归特征消除）
三、关键发现：7个lncRNA标志物
通过上述方法，研究团队最终确定了7个关键lncRNA：
AATBC
AC026689.1
AC083799.1
AC091544.6
LINC01287
SPRY4.AS1
ZNF667.AS1
研究人员建立了风险评分模型：
风险评分=0.085AATBC + 0.190AC026689.1 - 0.117AC083799.1 + 0.036AC091544.6 - 0.039LINC01287 - 0.291SPRY4.AS1 + 0.056*ZNF667.AS1
四、生物学机制：基因组不稳定性的关键角色
研究发现这些lncRNA主要参与以下生物学过程：
核分裂
有丝分裂DNA完整性检查点
呼吸电子传递链
染色体分离
氧化磷酸化
五、实验验证：AATBC促进肿瘤进展
研究团队通过体外实验证实，敲除AATBC可显著抑制黑色素瘤A375细胞的增殖和侵袭能力。伤口愈合实验和transwell实验结果显示，AATBC的消除能够有效抑制黑色素瘤细胞的迁移和侵袭。
六、临床意义：优于现有预测模型
与既往研究相比，本研究建立的模型具有更高的预测准确性（AUC=0.716）。该模型在不同临床亚组（年龄、性别、转移状态、分期和淋巴结浸润）中均表现出良好的预测能力。
七、专家点评
该研究将基因组不稳定性与lncRNA在黑色素瘤中的作用联系起来，为理解黑色素瘤的发生发展机制提供了新视角。特别是发现的7个lncRNA标志物，不仅可作为预后预测指标，更有望成为未来治疗的分子靶点。
Yan K, Wang Y, Shao Y, Xiao T. Gene Instability-Related lncRNA Prognostic Model of Melanoma Patients via Machine Learning Strategy. J Oncol. 2021 May 25;2021:5582920. doi: 10.1155/2021/5582920. PMID: 34122546; PMCID: PMC8169244.
版权声明：
本文内容来源于已发表的科研论文，仅用于科普交流，不用于任何商业用途。如需转载，请联系原作者获得授权
原创作者：上海富衡生物科技有限公司
