基于生物信息学方法的肺腺癌分子机制探索及预后风险模型构建

项黎; 胡果荣

doi:10.3969/j.issn.1002-3208.2026.03.003

您当前的位置：

首页 >

文章列表页 >

基于生物信息学方法的肺腺癌分子机制探索及预后风险模型构建

论著 | 更新时间：2026-07-03

- 基于生物信息学方法的肺腺癌分子机制探索及预后风险模型构建
- Exploring the molecular mechanisms of lung adenocarcinoma and construction of a prognostic risk model based on bioinformatics methods
- 北京生物医学工程 2026年45卷第3期页码：239-246
- 作者机构：
  
  1.华中科技大学同济医学院附属武汉中心医院医学资讯科（武汉 430014）
  2.华中科技大学同济医学院附属武汉中心医院呼吸与危重症医学科（武汉 430014）
- 作者简介：
  
  项黎。E-mail：6524338@qq.com
- 基金信息：
  
  武汉市卫健委医学科研项目(WX21B30)
- DOI：10.3969/j.issn.1002-3208.2026.03.003
  中图分类号： R318.04
- 收稿：2025-12-22，
  
  修回：2026-02-25，
  
  纸质出版：2026-06-25
- 稿件说明：
移动端阅览
项黎，胡果荣.基于生物信息学方法的肺腺癌分子机制探索及预后风险模型构建［J］.北京生物医学工程，2026，45（3）：239-246.

XIANG Li，HU Guorong.Exploring the molecular mechanisms of lung adenocarcinoma and construction of a prognostic risk model based on bioinformatics methods［J］.Beijing Biomedical Engineering，2026，45（3）：239-246.
项黎，胡果荣.基于生物信息学方法的肺腺癌分子机制探索及预后风险模型构建［J］.北京生物医学工程，2026，45（3）：239-246. DOI： 10.3969/j.issn.1002-3208.2026.03.003.

XIANG Li，HU Guorong.Exploring the molecular mechanisms of lung adenocarcinoma and construction of a prognostic risk model based on bioinformatics methods［J］.Beijing Biomedical Engineering，2026，45（3）：239-246. DOI： 10.3969/j.issn.1002-3208.2026.03.003.

摘要

目的

通过数据挖掘和生物信息学分析探索影响肺腺癌（lung adenocarcinoma，LUAD）相关基因的表达谱，识别关键基因及其互作网络，探索其在LUAD发生发展中的潜在作用机制，并构建基于关键基因的LUAD预测模型。

方法

通过基因表达综合数据库（Gene Expression Omnibus，GEO）获取LUAD相关基因数据集GSE227427，使用R软件“impute”包筛选差异表达的基因，导入STRING数据库构建蛋白质-蛋白质互相作用（protein-protein interaction，PPI）网络，在Cytoscape软件中进一步分析识别筛选出关键靶点。通过DAVID数据库进行基因本体（Gene Ontology，GO）、京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genoms，KEGG）通路富集分析，使用R软件可视化富集结果，基于关键基因通过支持向量机（support vector machine，SVM）构建LUAD预测模型，采用五折交叉验证评估模型性能。

结果

共筛选出784个LUAD相关基因，构建包含759个节点和31 955条边的PPI网络，进一步筛选出179个关键靶点，主要涉及细胞免疫、炎症反应及肿瘤坏死因子调控等生物过程。构建基于SVM的LUAD预测模型，高斯核函数总体准确率（accuracy，ACC）为96.98%，特异性（specificity，SP）为99.02%，线性核函数、多项式核函数以及sigmoid核函数对该模型的评价均较高，提示该模型具有很高的临床应用潜力和价值。

结论

通过系统的生物信息学分析，成功识别了LUAD中的关键基因及其互作网络，揭示了这些基因在LUAD发生发展中的潜在作用机制。基于这些关键基因构建的LUAD预测模型表现出较高的分类性能，为LUAD的诊断和治疗提供了新的思路和潜在的靶点。

Abstract

Objective

Through data mining and bioinformatics analysis， to explore the expression profiles of genes related to lung adenocarcinoma （LUAD）， identify key genes and their interaction networks， investigate their potential mechanisms in the development and progression of LUAD， and construct a LUAD prediction model based on these key genes.

Methods

Obtained the LUAD-related gene dataset GSE227427 through the Gene Expression Omnibus （GEO） database. Using the "impute" package in R software， differentially expressed genes were screened， and then imported into the STRING database to construct a protein-protein interaction （PPI） network， which was further analyzed and refined in Cytoscape to identify key targets. Enrichment analyses of Gene Ontology （GO） and Kyoto Encyclopedia of Genes and Genoms （KEGG） pathways were conducted through the DAVID database， and the enrichment results were visualized using R software. A LUAD prediction model was constructed based on the key genes using support vector machine （SVM）， and the performance of the model was evaluated through five-fold cross-validation.

Results

A total of 784 LUAD-related genes were screened， and a PPI network with 759 nodes and 31 955 edges was constructed. Further screening identified 179 key targets， which were mainly involved in biological processes such as cellular immunity， inflammatory response， and tumor necrosis factor regulation. A LUAD prediction model based on SVM was constructed， with the Gaussian kernel function achieving an accuracy （ACC） of 96.98% and a specificity （SP） of 99.02%. The linear kernel， polynomial kernel， and sigmoid kernel all provided high evaluations for this model， suggesting that it possesses great potential and value for clinical application.

Conclusions

The present study successfully identified key genes and their interaction networks in LUAD through systematic bioinformatics analysis， revealing the potential mechanisms of these genes in the development and progression of LUAD. The LUAD prediction model constructed based on these key genes demonstrated high classification performance， offering new avenues and potential targets for the diagnosis and treatment of LUAD.

关键词

Keywords

references

姜力文，南群. 拉曼光谱技术在早期肺癌诊断中的应用及其研究进展［J］. 北京生物医学工程， 2023，42（6）： 643-647， 653.

Jiang LW， Nan Q. The application and research status of Raman technology in the diagnosis of early lung cancer［J］. Beijing Biomedical Engineering， 2023，42（6）： 643-647， 653.

Filetti M， Lombardi P， Falcone R， et al. Comparing efficacy and safety of upfront treatment strategies for anaplastic lymphoma kinase-positive non-small cell lung cancer： a network meta-analysis［J］. Exploration of Targeted Anti-tumor Therapy， 2023， 4（6）： 1136-1144.

Fujikawa R， Muraoka Y， Kashima J， et al. Clinicopathologic and genotypic features of lung adenocarcinoma characterized by the international association for the study of lung cancer grading system［J］. Journal of Thoracic Oncology， 2022， 17（5）： 700-707.

Bertoglio P， Aprile V， Ventura L， et al. Impact of high-grade patterns in early-stage lung adenocarcinoma： A multicentric analysis［J］. Lung， 2022， 200（5）： 649-660.

Alharbi F， Vakanski A. Machine learning methods for cancer classification using gene expression data： A review［J］. Bioengineering （Basel， Switzerland）， 2023， 10（2）： 173-198.

Schettini F， Brasó-Maristany F， Kuderer NM， et al. A perspective on the development and lack of interchangeability of the breast cancer intrinsic subtypes［J］. NPJ Breast Cancer， 2022， 8（1）： 85-88.

Wang GL， Wang FF， Meng ZS， et al. Uncovering potential genes in colorectal cancer based on integrated and DNA methylation analysis in the gene expression omnibus database［J］. BMC Cancer， 2022， 22（1）： 138-150.

Wen SD， Peng WW， Chen YZ， et al. Four differentially expressed genes can predict prognosis and microenvironment immune infiltration in lung cancer： a study based on data from the GEO［J］. BMC Cancer， 2022， 22（1）： 193-204.

潘以红，范雪萌，朱平. 肺癌关键基因筛选及预测模型的研究［J］. 生物学杂志， 2019， 36（2）： 22-27， 40.

Pan YH， Fan XM， Zhu P. Research on key gene and prediction model associated with lung cancer［J］. Journal of Biology， 2019， 36（2）： 22-27， 40.

Xu JY， Zhang C， Wang X， et al. Integrative proteomic characterization of human lung adenocarcinoma［J］. Cell， 2020， 182（1）： 245-261.

Ren J， Zhang H， Wang JN， et al. Transcriptome analysis of adipocytokines and their-related LncRNAs in lung adenocarcinoma revealing the association with prognosis， immune infiltration， and metabolic characteristics［J］. Adipocyte， 2022， 11（1）： 250-265.

Kondoh N， Mizuno-Kamiya M. The role of immune modulatory cytokines in the tumor microenvironments of head and neck squamous cell carcinomas［J］. Cancers， 2022， 14（12）： 2884-2901.

Martínez-Sabadell A， Arenas EJ， Arribas J. IFNγ signaling in natural and therapy-induced antitumor responses［J］. Clinical Cancer Research， 2022， 28（7）： 1243-1249.

Zhang CQ， Zhang GC， Sun N， et al. Comprehensive molecular analyses of a TNF family-based signature with regard to prognosis， immune features， and biomarkers for immunotherapy in lung adenocarcinoma［J］. EBioMedicine， 2020， 59： 102959.

Felcher CM， Bogni ES， Kordon EC. IL-6 cytokine family： A putative target for breast cancer prevention and treatment［J］. International Journal of Molecular Sciences， 2022， 23（3）： 1809-1823.

Liu CM， Yang L， Xu HY， et al. Systematic analysis of IL-6 as a predictive biomarker and desensitizer of immunotherapy responses in patients with non-small cell lung cancer［J］. BMC Medicine， 2022， 20（1）： 187-201.

Islas-Vazquez L， Aguilar-Cazares D， Galicia-Velasco M， et al. IL-6， NLR， and SII markers and their relation with alterations in CD8 + T-lymphocyte subpopulations in patients treated for lung adenocarcinoma［J］. Biology， 2020， 9（11）： 376-391.

Hu LT， Deng WJ， Chu ZS， et al. Comprehensive analysis of CXCR family members in lung adenocarcinoma with prognostic values［J］. BMC Pulmonary Medicine， 2022， 22（1）： 259-269.

Wang H， Wang Y， Luo W， et al. Integrative stemness characteristics associated with prognosis and the immune microenvironment in lung adenocarcinoma［J］. BMC Pulmonary Medicine， 2022， 22（1）： 463-473.

Ortega MA， Boaru DL， De Leon-Oliva D， et al. PD-1/PD-L1 axis： Implications in immune regulation， cancer progression， and translational applications［J］. Journal of Molecular Medicine （Berlin， Germany）， 2024， 102（8）： 987-1000.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

PB840呼吸机故障维修2例

基于nnU-Net的肾脏区域分割方法及其术中应用

吞咽音分析技术对吞咽障碍患者评估与筛查的应用前景

基于多尺度特征提取与多特征融合的甲状腺结节超声影像分割

天玑骨科机器人手术间布局优化与实施效果