Copy Number Alterations in Mechanobiological Genes for Metastatic-Status Classification: A Multicancer Machine-Learning Analysis
Copy Number Alterations in mechanobiologischen Genen zur Klassifikation des Metastasenstatus: multicancer-basierte Machine-Learning-Analyse
Targets · 05.11.2026 · 4 (4) · 37
DOI: 10.3390/targets4040037 ↗Auf einen Blick
Eine Machine-Learning-Analyse prüfte, ob CNAs in 11 mechanobiologiebezogenen Genen primäre und metastatische Tumoren unterscheiden. Modelle mit kombinierten Multicancer-Daten schnitten besser ab; Random Forest erreichte die beste Genauigkeit.
Fragestellung
Können Copy-Number-Alterationen in einem 11-Gen-Panel den Metastasenstatus von Tumoren über mehrere Krebsarten hinweg klassifizieren?
Methode
Analyse öffentlich verfügbarer cBioPortal-Daten mit überwachten Machine-Learning-Algorithmen auf Genebene-CNA-Daten.
Ergebnisse
Modelle mit kombinierten Multicancer-Daten zeigten bessere Klassifikation als ein Training nur mit Brustkrebsdaten. Random Forest erreichte Accuracy 0,851 und F1-Score 0,844 auf einem gehaltenen Brustkrebs-Testset.
Einschränkungen
Funktions- und Expressionslevel-Validierung fehlt.
Schlussfolgerung der Autor:innen
CNAs in mechanobiologiebezogenen Genen erfassen genomische Muster des Metastasenstatus und könnten diagnostische Biomarker sein; weitere Validierung ist nötig.
Kernaussagen
- 11-Gen-Panel aus mechanobiologiebezogenen Genen
- Beste Leistung: Random Forest mit Accuracy 0,851
- PFN1, ECM1 und FSCN1 waren die stärksten Merkmale
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Targets, online erschienen am 05.11.2026. Verfasst von Anna Shorina und 3 weiteren Autor:innen. Die Arbeit nennt 39 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Ministry of Science and Higher Education of the Russian Federation.
Abstract (Originalsprache)
Metastasis is the leading cause of cancer-related mortality, highlighting the need for reliable diagnostic markers and molecular targets that distinguish primary and metastatic tumors. Genes involved in actin cytoskeleton organization and cell mechanics regulate cell migration and invasion and may represent both markers and functional targets of metastatic progression. This study investigated whether copy number alterations (CNAs) in an eleven-gene mechanobiology-related panel (FSCN1, GSN, ACTN4, EZR, CFL1, MYH9, PFN1, TAGLN, ECM1, ANXA2, ANXA6) can distinguish primary from metastatic tumors across breast, pancreatic, and gastric cancers. Publicly available cBioPortal datasets were analyzed using supervised machine-learning algorithms trained on gene-level CNA data. Models trained on combined multicancer datasets showed improved classification performance, evaluated on a held-out breast cancer test set, compared with breast cancer-only training, with Random Forest achieving the highest accuracy (0.851) and F1-score (0.844). Feature importance analysis identified PFN1, ECM1, and FSCN1 as the strongest contributors to metastatic classification, with ANXA6 also showing consistent relevance; permutation importance confirmed PFN1, ANXA6, and FSCN1 in both models. These findings suggest that copy number alterations in mechanobiology-related genes capture genomic patterns associated with metastatic status and may serve as candidate diagnostic biomarkers, warranting further functional and expression-level validation to assess their potential as therapeutic targets.
Förderung
- Ministry of Science and Higher Education of the Russian Federation
Zitieren
APA
Shorina, A., Pustovalova, M., Leonov, S., & Merkher, Y. (2026). Copy Number Alterations in Mechanobiological Genes for Metastatic-Status Classification: A Multicancer Machine-Learning Analysis. Targets, 4(4), 37. https://doi.org/10.3390/targets4040037
Vancouver
Shorina A, Pustovalova M, Leonov S, Merkher Y. Copy Number Alterations in Mechanobiological Genes for Metastatic-Status Classification: A Multicancer Machine-Learning Analysis. Targets. 2026;4(4):37. doi:10.3390/targets4040037
BibTeX
@article{Shorina2026,
author = {Shorina, Anna and Pustovalova, Margarita and Leonov, Sergey and Merkher, Yulia},
title = {Copy Number Alterations in Mechanobiological Genes for Metastatic-Status Classification: A Multicancer Machine-Learning Analysis},
journal = {Targets},
year = {2026},
volume = {4},
number = {4},
pages = {37},
doi = {10.3390/targets4040037}
}
EUVIMED