染色质调节因子相关的lncRNA肾透明细胞癌预后模型的构建和验证

目的构建染色质调节因子(CR)相关长链非编码RNA(lncRNA)的肾透明细胞癌(ccRCC)预后模型,提高ccRCC的预后管理。方法从TCGA数据库下载ccRCC的转录组数据和临床数据,并通过“caret”R包将ccRCC样本以7∶3的比例分为训练集(166例)和验证集(71例)。基于“DESeq2”R包筛选出差异表达的CR及相关的lncRNA。构建CR与lncRNA的共表达网络,并筛选出相关系数|rs|>0.3且P<0.05的差异lncRNA。利用单因素Cox、Lasso和多因素逐步Cox回归分析,构建CR相关的lncRNA预后模型。计算训练集和验证集样本的风险评分,根据风险评分的中位数将ccRCC患者分为高、低风险组。K-M曲线和受试者操作特征(ROC)曲线评价模型,单因素和多因素Cox回归分析评估风险评分的独立预测性能。“DynNom”和“shiny”R包开发在线预测工具。单样本基因集富集分析探索风险评分与免疫微环境及免疫检查点的关系。结果本研究最终纳入237个肿瘤样本和72个癌旁正常组织样本,鉴定了1025个CR相关的lncRNA,最终筛选得到7个CR相关lncRNA(DUXAP8、AC026462.3、LINC01460、AL592494.1、AL353804.2、AC012462.1、AC009518.1)构建预后模型,并将其开发成在线工具(https://xzlmodelshiny.shinyapps.io/DynNomapp/)。高危组患者的生存率低于低危组(P<0.05),ROC曲线表明模型预测效能较好,单因素分析和多因素分析中风险评分的HR值分别为4.058(95%CI:2.530~6.508,P<0.001)和3.096(95%CI:1.887~5.080,P<0.001)。高风险组MDSC和Tregs细胞等免疫抑制细胞的浸润比例高于低风险组,趋化因子、免疫检查点及副炎症等通路的富集水平高于低风险组(P<0.05)。此外,风险评分与免疫检查点TNFRSF25和TNFSF14呈正相关(r>0.3,P<0.05)。结论本研究构建的CR相关的lncRNA风险模型可独立有效地预测ccRCC患者的预后。

基于机器学习构建和验证尿路感染性结石的预测模型

目的构建一种术前预测尿路结石患者患感染性结石风险的机器学习模型,以期改进结石患者的术前管理。方法选取2018年8月—2023年3月因尿路结石就诊于徐州市中心医院的患者,收集临床资料进行回顾性分析。利用“caret”R包将患者以3∶1的比例随机分为训练集和测试集,在训练集中通过Lasso回归分析筛选预测因子,使用9种机器学习模型拟合。根据受试者工作特征曲线下面积(ROC-AUC)、精确率-召回率曲线下面积(PR-AUC)、准确率、精确率、F1分数、校准曲线、以及临床决策曲线评估上述模型的效能。结果本研究共纳入患者350例,其中感染性结石患者108例,非感染性结石患者242例。基于十折交叉验证进行Lasso回归分析,筛选出11个临床变量,包括尿pH值、血尿酸、尿亚硝酸、年龄、尿结晶、淋巴细胞、尿蛋白质、性别、肾积水情况、吸烟、尿细菌培养。基于上述临床变量构建9种机器学习模型,其中随机森林模型的效能最好,准确率为0.83;F1分数为0.69;PR-AUC为0.77;精确率为0.77;ROC-AUC为0.87,95%CI(0.78~0.94)。校准曲线结果进一步显示,随机森林模型的曲线拟合度较好,并且布里尔分数在所有模型中最小为0.13。临床决策曲线表明,当阈值为0.38~0.71时,随机森林模型获得的净获益在所有模型中最大。结论随机森林模型是一种有效预测感染性结石的机器学习模型,其中尿pH值、血尿酸,以及尿亚硝酸是该预测模型中最重要的指标。