Integración multiómica y aprendizaje automático definen subtipos moleculares robustos y firmas pronósticas en el...

Área de la Ciencia:

• Oncología
• Bioinformática
• Genómica

Sus antecedentes:

• El carcinoma hepatocelular (CHC) es agresivo y molecularmente diverso, lo que limita las terapias precisas.
• La integración de datos multiómicos y el aprendizaje automático pueden refinar la subclasificación molecular y el pronóstico del CHC.

Objetivo del estudio:

• Desarrollar un marco computacional para la agrupación multiómica integradora en el CHC.
• Identificar subtipos moleculares y construir una firma pronóstica impulsada por el aprendizaje automático para el CHC.
• Evaluar la relevancia clínica de los subtipos y grupos de riesgo identificados.

Principales métodos:

• Se integraron conjuntos de datos multiómicos de pacientes con CHC utilizando un marco computacional.
• Se emplearon diez algoritmos de agrupación para la agrupación multiómica integradora.
• Se utilizaron diez algoritmos de aprendizaje automático para construir una firma pronóstica de consenso.
• Se incorporó la secuenciación de ARN unicelular y la transcriptómica espacial para el análisis celular y espacial.

Principales resultados:

• Se identificaron cuatro subtipos de CHC pronósticamente distintos (CS1-CS4), con CS4 mostrando los mejores resultados.
• Se desarrolló un modelo pronóstico robusto basado en cinco genes clave, diferenciando grupos de bajo y alto riesgo.
• Los pacientes de bajo riesgo exhibieron mejor supervivencia, mejor respuesta a la inmunoterapia y un fenotipo de "tumor caliente".
• Los genes clave se enriquecieron en hepatocitos malignos con heterogeneidad espacial.

Conclusiones:

• Se refinó la clasificación molecular del CHC a través del análisis multiómico integrador.
• Se estableció un modelo pronóstico impulsado por el aprendizaje automático para la predicción temprana del pronóstico y la estratificación de la inmunoterapia.
• La transcriptómica unicelular y espacial reveló características celulares y espaciales de los genes pronósticos.
• Se necesita validación clínica prospectiva para confirmar el rendimiento del modelo.