Integración de datos multiómicos basados en el aprendizaje profundo para el subtipo de glioma de bajo grado

Área de la Ciencia:

• En el campo de la oncología
• La genómica
• La bioinformática

Sus antecedentes:

• Los gliomas de bajo grado (LGG) son tumores cerebrales complejos que requieren mejores marcadores de pronóstico.
• El subtipo molecular actual necesita un mayor refinamiento para una mejor estratificación del paciente.

Objetivo del estudio:

• Desarrollar un modelo multiómico basado en el aprendizaje profundo (DL) para identificar los subtipos de supervivencia en LGG.
• Para mejorar la precisión de la predicción del pronóstico en pacientes con LGG.

Principales métodos:

• Se desarrolló un modelo de SurvivalNet (MOST) basado en el aprendizaje profundo.
• Datos integrados de metilación histológica de ARN-seq, miARN-seq y ADN de TCGA (N=497).
• Validación mediante cohortes internas y externas (CCGA).

Principales resultados:

• Se identificaron dos subtipos de pacientes LGG con diferencias significativas en la supervivencia (P=3, 07E-16).
• El modelo MOST mostró un rendimiento robusto (C=0,92±0,02) y una validación externa.
• Subtipos de alto riesgo relacionados con la expresión del gen HOX, la regulación del colesterol, la glucólisis, la EMT y los macrófagos M2.

Conclusiones:

• El modelo MOST basado en DL delimita efectivamente los subtipos de supervivencia LGG utilizando datos multiómicos.
• Este enfoque ofrece una herramienta sólida para mejorar el pronóstico de LGG.
• Los hallazgos destacan las vías moleculares clave y los componentes celulares asociados con los resultados de LGG.