Adrenokortikal kanser ilerlemesinde anahtar biyomoleküllerin biyoinformatik ve makine öğrenimi yaklaşımları ile tanımlanması

Adrenal Adenomlar (ACA) adrenal bezde oluşan benign kitlelerdir, adrenokortikal karsinom (ACC) ise malign agresif bir tümördür. Bu çalışmada amacımız, adrenokortikal adenomun başlangıcından karsinomun ilerlemesine kadar kritik biyomoleküllerin biyoinformatik ve makine öğrenimi yaklaşımları ile araştırılmasıdır. Hem vaka durumunda pozitif korelasyona hem de kontrol durumunda negatif korelasyona sahip (veya tam tersi) istatistiksel olarak anlamlıSpearman'ın gen korelasyon katsayısını belirlemek için yeni bir analiz yöntemi kullanıldı.. ACA-Normal doku (ACA-N), ACC-Normal doku (ACC-N) ve ACC-ACA için üç RGEC ağı oluşturuldu ve RGEC ağlarının merkez genleri belirlendi. ACA-N grubunda PLA2G4A geni, ACC-N grubunda 14 gen (SAE1, ATRX, PNMT, RYBP, NCAPG2, PDK2, C7, RNF114, PTPRB, NPY1R, PARM1, PGK1, HMMR ve ETC2), ACC-ACA grubunda FMO2 ve UBE2S genleri merkez genler olarak tespit edildi. Elde edilen genlerin tanısal ve prognostik performansı, K Komşu Sınıflandırıcısı, Lojistik Regresyon, MLP Sınıflandırıcısı, Karar Ağacı Sınıflandırıcısı, Rastgele Orman Sınıflandırıcısı, Gradyan Geliştirme Sınıflandırıcısı, Cat Geliştirme Sınıflandırıcısı, LGBM Sınıflandırıcısı ve XGB Sınıflandırıcısını içeren makine öğrenimi (ML) sınıflandırma algoritmaları aracılığıyla test edildi. ACC-N grubu RCEG ağı için 14 merkezi genin, yaşayan ve vefat eden hastaların örneklerinde ayrım yapma performansına kıyasla ACC dokularını normal dokulardan daha iyi bir şekilde ayırdığı bulunmuştur. Bu varsayılan biyomoleküllerin keşfi, iyi huylu bir tümörün kötü huylu bir tümöre dönüşmesini önlemede de önemli bir adım olabilir.