低度のグリオマのサブタイプ化のためのディープラーニングに基づくマルチオミクスデータの統合
Huilin Li1, Musu Li1, Yue Sun1
1Department of Biostatistics, National Vaccine Innovation Platform, School of Public Health, Nanjing Medical University, Nanjing, 211166, China.
Journal of molecular neuroscience : MN
|August 27, 2025
まとめ
MOSTという新しいディープラーニングモデルは,マルチオミックスのデータを統合することにより,低度性膠原腫 (LGG) の2つの異なる生存サブタイプを特定しました. このアプローチは,LGG患者の予後を改善します.
科学分野:
- 腫瘍学
- ゲノミクス
- バイオ情報学
背景:
- 低度性膠原腫 (LGGs) は複雑な脳腫瘍であり,予後マーカーの改善が必要である.
- 現在の分子のサブタイプは 患者の階層化を改善するためにさらに精錬する必要がある.
研究 の 目的:
- LGGにおける生存サブタイプを特定するためのディープラーニング (DL) ベースのマルチオミクスモデルを開発する.
- LGG患者における予後予測の精度を高めるため
主な方法:
- ディープラーニングベースのマルチオミックサバイバルネット (MOST) モデルが開発されました.
- TCGA (N=497) から統合された組織学的RNA-seq,miRNA-seq,DNAメチル化データ.
- 内部と外部コホート (CCGA) を使用して検証された.
主要な成果:
- 生存率の有意な差異を持つ2つのLGG患者サブタイプを特定した (P=3. 07E-16).
- MOSTモデルは堅実な性能 (C=0.92±0.02) と外部検証を示した.
- 高リスクサブタイプはHOX遺伝子発現,コレステロール調節,糖分解,EMT,M2マクロファージに関連しています.
結論:
- DLベースのMOSTモデルは,マルチオミックスのデータを用いてLGG生存サブタイプを効果的に描写します.
- このアプローチは,LGGの予測を改善するための強力なツールです.
- 発見は,LGGの結果に関連した重要な分子経路と細胞成分を強調しています.
