目录
1.机器学习算法识别结直肠癌中的免疫相关lncRNA signature
2.基于机器学习的糖酵解相关分子分类揭示了结直肠癌癌症患者预后、TME和免疫疗法的差异，2区7+
3.整合深度学习-病理组学、放射组学和免疫评分预测结直肠癌肺转移患者术后结局
4.最新7.4分纯生信，基于机器学习筛选直肠癌中与放疗敏感性相关的基因，投稿到接收仅一个半月，思路简单可重复！
1.机器学习算法识别结直肠癌中的免疫相关lncRNA signature
lncRN在结直肠癌免疫中发挥重要作用，但免疫相关的lncRNA在临床中的作用还所知甚少。本文通过整合多种机器学习算法构建免疫相关的lncRNA signature（IRLS）。发现IRLS在结直肠癌预后和免疫治疗中有重要意义。
lncRNA signature（IRLS）的构建。通过聚类、多种免疫浸润算法（包括ssGSEA，TIMER, quanTIseq, MCP-counter, xCell, EPIC, and ESTIMATE）、WGCNA等确定了43个 immune-related lncRNA。然后通过10种机器学习算法的101中组合确定最佳的lncRNA signature。
机器学习算法识别结直肠癌中的免疫相关lncRNA signature
2.基于机器学习的糖酵解相关分子分类揭示了结直肠癌癌症患者预后、TME和免疫疗法的差异，2区7+
本期分享一篇关于基于机器学习的糖酵解相关分子分类揭示了结直肠癌患者在预后、TME 和免疫治疗方面的差异的生信文章《Machine learning-based glycolysis-associated molecular classification reveals differences in prognosis, TME, and immunotherapy for colorectal cancer patients》。于2023年5月发表在Frontiers in immunology上的文章。
肿瘤能量代谢的重新编程已成为肿瘤的标志之一。自“Warburg效应”提出以来，研究人员一直在稳步研究肿瘤与糖酵解之间的联系。作为能量转换的一种关键形式，糖酵解将葡萄糖转化为丙酮酸，最终产生乳酸，并赋予肿瘤细胞不依赖氧气的能量。即使在有氧环境中，肿瘤细胞仍然可以将能量代谢限制在糖酵解，通常称为有氧糖酵解。通过减少细胞抑制和凋亡，糖酵解为肿瘤细胞生长创造了条件。糖酵解的许多中间产物用作合成核苷和氨基酸的起始材料，这两种物质都有助于产生新细胞。此外，某些肿瘤细胞可分为两个亚组：有氧或缺氧。乳酸和葡萄糖在这两个亚组的能量代谢中的利用率彼此不同。总之，糖酵解对肿瘤的能量代谢至关重要。
基于机器学习的糖酵解相关分子分类揭示了结直肠癌癌症患者预后、TME和免疫疗法的差异，2区7+！
3.整合深度学习-病理组学、放射组学和免疫评分预测结直肠癌肺转移患者术后结局
该研究通过整合深度学习-病理组学、放射组学特征、免疫评分和临床特征构建列线图来预测结直肠癌肺转移患者肺切除术后的临床结局。
在这项研究中，作者共纳入103例仅限于肺转移并接受根治性肺切除的结直肠癌患者。作者采用弱监督卷积神经网络（CNN）训练方法进行全切片组织病理学图像生存分析（WSISA）。利用少数过采样技术和支持向量机（SVM）分类器用于识别放射组学特征并建立预测模型。
根据连续自动数字病理切片上转移瘤中心和侵袭性边缘区域的CD3+和CD8+细胞密度计算每例患者的免疫评分。最后，作者成功地开发了病理组学和放射组学模型来预测患者的总生存期(OS)和无病生存期(DFS)。作者发现患者的病理组学和放射组学评分与免疫评分呈负相关，以上3个特征是预测患者OS和DFS的独立预后因素。最终，作者通过整合病理组学、放射组学、免疫评分和患者的临床病理特征建立复合列线图预测患者的OS和PFS。作者发现联合模型在预测患者OS和PFS上具有良好的预测性能，且能为患者带来较大的临床净获益率。
4.最新7.4分纯生信，基于机器学习筛选直肠癌中与放疗敏感性相关的基因，投稿到接收仅一个半月，思路简单可重复！
最新7.4分纯生信，基于机器学习筛选直肠癌中与放疗敏感性相关的基因，投稿到接收仅一个半月，思路简单可重复！
5.采用机器学习算法预测IV期结直肠癌术后的复发情况
为了探索利用机器学习技术预测IV期结直肠癌术后的复发风险的可行性，郑州大学第一附属医院麻醉与围术期医学部杨建军团队采用了4种机器学习算法（logistic regression, decision tree, GradientBoosting 和 lightGBM），把数据集随机按8比2的比例分成一个训练组和一个测试组。该团队纳入了999 例IV期结肠直肠癌患者进入研究。在训练组中，GradientBoosting的 AUC 值最高，为 0.881；Logistic 的 AUC 值最低，为 0.734；GradientBoosting 的F1分数最高（0.912）。而在测试组中， Logistic的 AUC 值最低（0.692）；GradientBoosting算法的AUC值为0.734，这个模型依然可以预测癌症的复发；但是，gbm算法模型具有最高的 AUC 值 （0.761）和F1分数 （0.974）。GradientBoosting 和 gbm算法的性能优于其他两种算法。GradientBoosting算法的权重分析表明，化疗、年龄、LogCEA, CEA和麻醉时间可能是肿瘤复发的前5个相关因素。这四种机器学习算法均可以预测手IV期结直肠癌患者术后的复发风险。其中，GradientBoosting和gbm表现最好。此外，GradientBoosting算法的权重分析表明，影响术后肿瘤复发的前五个相关变量为化疗、年龄、LogCEA, CEA和麻醉时间。