Metabolomic machine learning predictor for diagnosis and prognosis of gastric cancer

代谢组学 癌症 生物标志物 心理干预 机器学习 精密医学 生物标志物发现 计算机科学 重编程 医学 肿瘤科 人工智能 生物信息学 内科学 生物 蛋白质组学 病理 生物化学 遗传学 精神科 基因 细胞
作者
Yangzi Chen,Bohong Wang,Yizi Zhao,Xinxin Shao,Mingshuo Wang,Fuhai Ma,Laishou Yang,Meng Nie,Peng Jin,Ke Yao,Haibin Song,Shenghan Lou,Hang Wang,Tianshu Yang,Yantao Tian,Peng Han,Zeping Hu
出处
期刊:Nature Communications [Springer Nature]
卷期号:15 (1) 被引量:27
标识
DOI:10.1038/s41467-024-46043-y
摘要

Gastric cancer (GC) represents a significant burden of cancer-related mortality worldwide, underscoring an urgent need for the development of early detection strategies and precise postoperative interventions. However, the identification of non-invasive biomarkers for early diagnosis and patient risk stratification remains underexplored. Here, we conduct a targeted metabolomics analysis of 702 plasma samples from multi-center participants to elucidate the GC metabolic reprogramming. Our machine learning analysis reveals a 10-metabolite GC diagnostic model, which is validated in an external test set with a sensitivity of 0.905, outperforming conventional methods leveraging cancer protein markers (sensitivity < 0.40). Additionally, our machine learning-derived prognostic model demonstrates superior performance to traditional models utilizing clinical parameters and effectively stratifies patients into different risk groups to guide precision interventions. Collectively, our findings reveal the metabolic landscape of GC and identify two distinct biomarker panels that enable early detection and prognosis prediction respectively, thus facilitating precision medicine in GC.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刻苦的芜完成签到,获得积分10
1秒前
1秒前
1秒前
2秒前
3秒前
3秒前
所所应助yj采纳,获得10
3秒前
5秒前
5秒前
zgt01发布了新的文献求助10
5秒前
完美世界应助澍L采纳,获得10
6秒前
科研能发布了新的文献求助10
6秒前
6秒前
7秒前
deathmask发布了新的文献求助20
7秒前
清水小镇发布了新的文献求助10
8秒前
8秒前
Alvin发布了新的文献求助10
8秒前
9秒前
9秒前
小二郎应助Sene采纳,获得10
9秒前
spirit完成签到 ,获得积分10
10秒前
心心哈完成签到,获得积分10
10秒前
dusum发布了新的文献求助10
10秒前
yyy发布了新的文献求助10
10秒前
溧子呀发布了新的文献求助10
10秒前
man完成签到,获得积分10
11秒前
11秒前
11秒前
Wenpandaen发布了新的文献求助10
11秒前
11秒前
柚子发布了新的文献求助10
12秒前
科研能完成签到,获得积分10
12秒前
坦率的秋烟完成签到,获得积分10
13秒前
13秒前
13秒前
唐夜白发布了新的文献求助10
13秒前
楠楠发布了新的文献求助10
14秒前
15秒前
1234应助JQ采纳,获得10
15秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3148527
求助须知:如何正确求助?哪些是违规求助? 2799622
关于积分的说明 7836197
捐赠科研通 2457012
什么是DOI,文献DOI怎么找? 1307684
科研通“疑难数据库(出版商)”最低求助积分说明 628247
版权声明 601655