Scoperta di biomarcatori e riposizionamento di farmaci nel carcinoma epatocellulare attraverso transcriptomica, apprendimento automatico, farmacologia di rete e dinamica molecolare.

Questo studio ha impiegato un framework computazionale e di biologia dei sistemi integrativo per definire un segnale genico diagnostico per il carcinoma epatocellulare (HCC) e per esplorare la sua rilevanza traslazionale in modo ipotesi-generante. L'analisi di espressione differenziale dei dati transcriptomici da 230 campioni ha identificato 2748 geni significativamente espressi in modo differenziale (DEGs), inclusi 2283 geni upregolati e 465 geni downregolati, con FGF4 (log2FC = 10,08) e REG1B (log2FC = 10,02) tra i risultati più significativi. Quattro classificatori di apprendimento automatico sono stati addestrati utilizzando questo segnale e hanno dimostrato un rendimento predittivo costantemente alto, con XGBoost che emerge come il modello che si è classificato al primo posto (accuratezza = Nota: Risultati: - FGF4 (log2FC = 10,08) - REG1B (log2FC = 10,02) CLASSIFICATORI DI APPRENDIMENTO AUTOMATICO: - XGBoost (accuratezza = Nota: Risultati: - Accuratezza = Nota: Risultati: - HR, OR, RR, NNT, CI 95%