Đánh giá giá trị chẩn đoán của hsa-miR-1203 lưu hành trong ung thư tuyến tiền liệt bằng các phương pháp học máy
Nội dung chính của bài viết
Tóm tắt
Ung thư tuyến tiền liệt là một trong những bệnh ung thư phổ biến ở nam giới, trong đó việc tìm kiếm dấu ấn sinh học tuần hoàn có giá trị chẩn đoán vẫn là nhu cầu cấp thiết. Nghiên cứu này nhằm đánh giá giá trị của hsa-miR-1203 trong việc hỗ trợ phân biệt bệnh nhân ung thư tuyến tiền liệt và nhóm không ung thư bằng mô hình học máy. Dữ liệu biểu hiện microRNA được khai thác từ bộ GSE211692 trên cơ sở dữ liệu Gene Expression Omnibus, gồm 1027 mẫu huyết thanh bệnh nhân ung thư và 5893 mẫu không ung thư. Sau tiền xử lý và chuyển đổi log2, dữ liệu được chia thành tập huấn luyện (70%) và tập kiểm định nội bộ (30%) theo phương pháp phân tầng. Hsa-miR-1203 giảm biểu hiện rõ rệt ở nhóm ung thư (log2FC = −3,77; p < 0,001). Các mô hình Extra Trees, Support Vector Machine, AdaBoost và Gaussian Naive Bayes cho hiệu năng phân loại cao trên tập kiểm định với diện tích dưới đường cong ROC xấp xỉ 0,98. Kết quả gợi ý hsa-miR-1203 có tiềm năng trở thành dấu ấn sinh học tuần hoàn hỗ trợ chẩn đoán ung thư tuyến tiền liệt.
Chi tiết bài viết
Từ khóa
Ung thư tuyến tiền liệt, microRNA, hsa-miR-1203, học máy, dấu ấn sinh học tuần hoàn, chẩn đoán
Tài liệu tham khảo
2. Van Dong H, Lee AH, Nga NH, et al. Epidemiology and prevention of prostate cancer in Vietnam. Asian Pac J Cancer Prev APJCP. 2014; 15(22): 9747-9751. doi:10.7314/apjcp.2014.15.22.9747.
3. Eala MA, Dee EC, Jacomina LE, et al. Prostate Cancer in Southeast Asia: An Analysis of 2022 Incidence and Mortality Data. Int J Radiat Oncol. 2024; 120(2, Supplement):e528. doi:10.1016/j.ijrobp.2024.07.1170.
4. Moyer VA, U.S. Preventive Services Task Force. Screening for prostate cancer: U.S. Preventive Services Task Force recommendation statement. Ann Intern Med. 2012; 157(2): 120-134. doi:10.7326/0003-4819-157-2-201207170-00459.
5. Bartel DP. MicroRNAs: genomics, biogenesis, mechanism, and function. Cell. 2004; 116(2): 281-297. doi:10.1016/s0092-8674(04)00045-5.
6. Nguyen MT, Quang MT. Integrated Bioinformatics Analysis of hsa-miR-4783-3p Target Genes and Functions in Prostate Cancer. Pharm Sci Asia. 2024; 51(3): 233-240. doi:10.29090/psa.2024.03.24.ap0911.
7. Selth LA, Townley S, Gillis JL, et al. Discovery of circulating microRNAs associated with human prostate cancer using a mouse model of disease. Int J Cancer. 2012; 131(3): 652-661. doi:10.1002/ijc.26405.
8. Chen X, Ba Y, Ma L, et al. Characterization of microRNAs in serum: a novel class of biomarkers for diagnosis of cancer and other diseases. Cell Res. 2008; 18(10): 997-1006. doi:10.1038/cr.2008.282.
9. Mitchell PS, Parkin RK, Kroh EM, et al. Circulating microRNAs as stable blood-based markers for cancer detection. Proc Natl Acad Sci U S A. 2008; 105(30): 10513-10518. doi:10.1073/pnas.0804549105.
10. Quang MT, Nguyen MN, Than VT. The role and regulation of cell death in cancer. Prog Mol Biol Transl Sci. 2025; 217: 135-161. doi:10.1016/bs.pmbts.2025.06.014.
11. Ghamlouche F, Yehya A, Zeid Y, et al. MicroRNAs as clinical tools for diagnosis, prognosis, and therapy in prostate cancer. Transl Oncol. 2023; 28: 101613. doi:10.1016/j.tranon.2022.101613.
12. Luo X, Wen W. MicroRNA in prostate cancer: from biogenesis to applicative potential. BMC Urol. 2024; 24(1): 244. doi:10.1186/s12894-024-01634-1.
13. Urabe F, Matsuzaki J, Yamamoto Y, et al. Large-scale Circulating microRNA Profiling for the Liquid Biopsy of Prostate Cancer. Clin Cancer Res Off J Am Assoc Cancer Res. 2019; 25(10): 3016-3025. doi:10.1158/1078-0432.CCR-18-2849.
14. Edgar R, Domrachev M, Lash AE. Gene Expression Omnibus: NCBI gene expression and hybridization array data repository. Nucleic Acids Res. 2002; 30(1): 207-210. doi:10.1093/nar/30.1.207.
15. Deo RC. Machine Learning in Medicine. Circulation. 2015; 132(20): 1920-1930. doi:10.1161/CIRCULATIONAHA.115.001593.
16. Kourou K, Exarchos TP, Exarchos KP, et al. Machine learning applications in cancer prognosis and prediction. Comput Struct Biotechnol J. 2015; 13: 8-17. doi:10.1016/j.csbj.2014.11.005.
17. Davis S, Meltzer PS. GEOquery: a bridge between the Gene Expression Omnibus (GEO) and BioConductor. Bioinformatics. 2007; 23(14): 1846-1847. doi:10.1093/bioinformatics/btm254.
18. Ritchie ME, Phipson B, Wu D, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015; 43(7): e47. doi:10.1093/nar/gkv007.
19. Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett. 2006; 27(8): 861-874. doi:10.1016/j.patrec.2005.10.010.
20. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988; 44(3): 837-845.
21. Ioannidis JPA. Why most discovered true associations are inflated. Epidemiology. 2008; 19(5): 640-648. doi:10.1097/EDE.0b013e31818131e7.
22. Agarwal V, Bell GW, Nam JW, et al. Predicting effective microRNA target sites in mammalian mRNAs. eLife. 2015; 4:e05005. doi:10.7554/eLife.05005.
23. Kanehisa M, Goto S. KEGG: Kyoto Encyclopedia of Genes and Genomes. Nucleic Acids Res. 2000; 28(1): 27-30. doi:10.1093/nar/28.1.27.
24. Lao DT, Quang MT, Le TAH. The Role of hsa-miR-21 and Its Target Genes Involved in Nasopharyngeal Carcinoma. Asian Pac J Cancer Prev APJCP. 2021; 22(12): 4075-4083. doi:10.31557/APJCP.2021.22.12.4075.
25. Merriel SWD, Pocock L, Gilbert E, et al. Systematic review and meta-analysis of the diagnostic accuracy of prostate-specific antigen (PSA) for the detection of prostate cancer in symptomatic patients. BMC Med. 2022; 20:54. doi:10.1186/s12916-021-02230-y.