5.8/Q2，“机器学习＋骨转移”，Scientific Data适合生信小白投稿的杂志

如果您对骨科疾病生信临床研究感兴趣，请为小骨点点关注，持续解读骨科前沿生信文献和思路。如果您需要定制化服务，欢迎扫码联系小骨~

研究亮点

1. 方法创新：整合多组学数据，运用机器学习算法挖掘关键标志物。
2. 细胞标志物发现：鉴定骨转移相关循环肿瘤细胞（CTC）标志物及关键细胞亚群。
3. 机制揭示：发现骨转移细胞代谢重编程和免疫微环境调控机制。
4. 预测模型构建：开发骨转移风险预测模型，可独立预测预后和耐药。
5. 治疗靶点提供：鉴定潜在治疗靶点并筛选相关靶向药物。

从难易程度来看，文章的研究难度较高，主要体现在以下几个方面：首先，研究涉及多组学数据的整合分析，包括单细胞转录组学、蛋白质组学和代谢组学等，需要处理和分析海量复杂的数据，对计算能力和生物信息学分析技术要求极高。其次，运用多种机器学习算法构建模型，不仅需要深厚的数学和计算机科学基础，还需对算法进行优化和验证，以确保模型的准确性和可靠性。此外，研究还深入探讨了循环肿瘤细胞（CTC）在前列腺癌骨转移中的作用机制，包括细胞亚群鉴定、代谢重编程和免疫微环境调控等，这需要跨学科的知识背景和实验技术。最后，从临床样本收集到模型的临床验证，都需要严格的实验设计和大量的临床资源支持，进一步增加了研究的难度和复杂性。如果各位老师需要生信服务，欢迎扫描上方二维码，联系小骨哦❤️❤️

下面让我们一起来看看具体文章内容吧！

文章标题：Integrated machine learning algorithms reveal a bone metastasis-related signature of circulating tumor cells in prostate cancer

中文标题：集成机器学习算法揭示了前列腺癌中循环肿瘤细胞的骨转移相关特征

发表期刊：Scientific Data

发表时间：2024年7月

影响因子：5.8/Q2

研究背景

研究思路

研究结果

1.鉴定与PCa骨转移相关的差异基因

首先，作者团队通过差异表达分析获得120个BMRGs作为下游分析的基础。同时，利用PPI网络和相关插件筛选了10个PCa转移事件的诊断标志物。在GSE67980队列中，CTCs和主要样本之间总共出现了1994个DEGs，其中，有259个被上调，1,735个被下调。上调基因主要富集RNA剪接和蛋白质折叠稳定。而下调基因与细胞粘附和血管生成有关，并参与PI3K-Akt信号通路和Ras信号通路（图A-B）。而在骨转移样本中，有249个上调基因和345个下调基因，上调基因参与细胞分裂和细胞周期，下调基因在血管生成、衰老和代谢途径中富集（图C-D）。

2.通过 PPI 网络识别与转移相关的枢纽模块

作者构建了一个基于120个BMRGs的PPI网络，并使用cytoHubba插件的MCC算法过滤了度数大于10的前10个基因，包括ACTA2、ACTG2、CNN1、COL1A1、LMOD1、MYH11、MYL9、MYLK和TPM2（图2A-B）。随后，iRegulon插件还探索了10个交叉基因的主要调节因子，发现其中9个受SRF调控（图C）。再者，再者进一步分析了这10个枢纽基因的相关性。除COL1A1外，其他9个基因的表达水平均呈较强的正相关（图D–F）。

3.基于综合计算框架的BMGPI模型开发与验证

首先，再者对这 20 个单因素Cox分析筛选的基因进行了 94 种基于机器学习的算法组合，以构建骨转移相关基因预后指数 （BMGPI）。之后，作者团队进一步计算了每个组合模型中训练和验证队列的C指数（图A）。有趣的是，Lasso + RSF 和 RSF 模型在 94 个模型中同样最优，两者在平均C指数方面都领先。作者根据中位数评分将患者分为高危组和低危组（图B）。训练组的生存曲线表明，高危组与不良预后相关，这在MSKCC和GSE46602队列中都得到了验证（图C-F）。此外，风险模型的预测效果优于格里森评分、T分期和N分期（图G）。随后，作者团队进一步评估了各种临床特征在风险人群中的分布（图H-I），两个风险组的T期、N期和M期比例差异有统计学意义。在晚期患者中，BMGPI也被发现更高。  

文章小结