XGBoost- and Mass Spectrometry-Based Feature Selection for Identifying Metabolic Biomarkers Associated with HBV-Related Liver Disease Progression and Hepatocellular Carcinoma Treatment
Notice bibliographique
Résumé
XGBoost, a gradient boosting algorithm, is widely recognized for its efficiency and robustness in multiclass classification tasks. Metabolomics serves as a powerful tool for biomarker discovery; however, metabolic biomarkers associated with the progression from chronic hepatitis B (CHB) to liver cirrhosis (LC) to hepatocellular carcinoma (HCC), as well as those related to treatment effects in HCC (HCCAT), remain unclear. In this study, an XGBoost-based machine learning approach combined with mass spectrometry was used to analyze the metabolic profiles of 30 healthy controls (HC), 29 CHB patients, 30 LC patients, 30 HCC patients, and 30 HCCAT patients. Biomarker screening was conducted through three comparative analyses: (1) HC, CHB, LC, HCC, and HCCAT; (2) HC, CHB, LC, and HCC; and (3) HC, HCC, and HCCAT. A total of 17 metabolic biomarkers were identified, among which nine had not been previously associated with HBV-related liver diseases. Notably, a potential biomarker panel composed of eicosenoic acid, dihydromorphine, cysteine, acetic acid, sitosterol, and hypoxanthine showed promise for disease prognosis and therapeutic evaluation. These findings highlight the great potential of integrating metabolomics with machine learning to identify novel metabolic biomarkers related to HBV-associated liver disease progression and treatment response.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».