Identification of copper related biomarkers in breast cancer using machine learning
Notice bibliographique
Résumé
BACKGROUND: Breast cancer is the most prevalent and deadly cancer among women globally, necessitating more effective diagnostic and therapeutic approaches. This study aims to explore new treatment targets and diagnostic tools. METHODS: Employing machine learning techniques and utilizing PCR, IHC technologies, and multiple databases, we identified and validated genes closely linked with breast cancer and copper-induced cell death. We then explored how their expression levels impact cancer diagnosis, prognosis, immune cell infiltration, and drug sensitivity. RESULTS: This investigation identified three crucial genes-MT1M, GRHL2, and PKM-intimately associated with the copper death mechanism in breast cancer pathology. Validated through comprehensive analysis across cells, tissue models, and diverse databases, these genes showed significant differential expression (P-value < 0.05), affirming their pivotal role in enhancing diagnostic accuracy (AUC values: 0.917, 0.970, 0.951) and prognostic assessment (HR = 0.65, P = 0.018; HR = 1.69, P = 0.0011; HR = 1.51, P = 0.012) in breast cancer. Additionally, their expression levels influence the infiltration of immune cells and the sensitivity to certain drugs. CONCLUSION: MT1M, GRHL2, and PKM are novel diagnostic and therapeutic targets for breast cancer. These findings enhance prognostic evaluations, deepen our understanding of its mechanisms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».