Key points are not available for this paper at this time.
Zusammenfassung Metabolische Umprogrammierung, die für Krebszellen von entscheidender Bedeutung ist, um sich an die veränderten Mikroumgebungen anzupassen, bleibt ein Thema, das weitere Untersuchungen für verschiedene Tumortypen erfordert. Unsere Studie zielt darauf ab, gemeinsame metabolische Umprogrammierungen bei Brust (BRC), Kolorektal (CRC) und Lungen (LUC) Krebs zu erhellen. Durch die Nutzung von Genexpressionsdaten aus dem Gene Expression Omnibus und verschiedenen bioinformatischen Werkzeugen wie MSigDB, WebGestalt, String und Cytoscape haben wir wichtige/hub-verwandte Gene (MRGs) und deren Interaktionen identifiziert. Die funktionalen Merkmale, einschließlich Überlebensparameter und Expression der Schlüssel-MRGs, wurden analysiert und durch die Gene Expression Profiling Interactive Analysis 2 und qRT-PCR validiert. Darüber hinaus haben wir Maschinenlernalgorithmen wie k-nächste Nachbarn (KNN), Support Vector Regressor (SVR) und extreme Gradient Boosting (XGBoost) eingesetzt, um die Wirksamkeit der MRGs bei der Vorhersage der Gesamtüberlebensrate der Patienten zu bewerten. Von 11.384 analysierten DETs überlappten 540 bei BRC, CRC und LUC, wobei 46 MRGs und 20 Schlüssel-/Hub-MRGs an allen untersuchten Krebsarten beteiligt waren. Davon waren 11 Schlüssel-MRGs prognostisch signifikant. Die qRT-PCR-Validierung der Schlüssel-MRGs in spezifischen Krebszelllinien bestätigte ihre Expressionsprofile, wobei einige zellspezifische Muster aufwiesen. SVR zeigte bemerkenswerte Genauigkeit bei der Vorhersage des Gesamtüberlebens, was seine klinische Nützlichkeit unterstreicht. Unser integrierter Ansatz, der bioinformatische Analysen und experimentelle Validierungen kombiniert, hebt das Potenzial der MRGs als Biomarker für metabolische Therapien hervor, wobei Maschinenlernmodelle die prognostischen Fähigkeiten für Patientenergebnisse verbessern.
Khan et al. (Fri,) haben diese Frage untersucht.