综合的多组学分析和机器学习完善了肌肉侵入性泌尿器癌的分子亚型和预后
Guangdi Chu1, Xiaoyu Ji2, Yonghua Wang1
1Department of Urology, The Affiliated Hospital of Qingdao University, Qingdao 266003, China.
Molecular therapy. Nucleic acids
|July 14, 2023
概括
研究人员使用多组学数据确定了肌肉侵入性泌尿道癌 (MUC) 的三种分子亚型. 一个新的共识机器学习驱动签名 (CMLS) 预测了MUC患者的预后和免疫治疗反应.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 肌肉侵入性泌尿器癌 (MUC) 是具有侵略性和异质性的,缺乏精确的个性化治疗方法.
- 目前的治疗策略需要改进,以获得更好的患者结果.
研究的目的:
- 在MUC.中识别高分辨率的分子子组.
- 开发一个强大的共识机器学习驱动的签名 (CMLS) 预后预测和治疗指导.
主要方法:
- 利用计算管道来合成来自MUC患者的多组数据.
- 采用了10个聚类和10个机器学习算法来识别分子子组.
- 确定了12个形成CMLS的枢纽基因.
主要成果:
- 发现了与预后相关的三种MUC癌症亚型 (CSs),其中CS2显示出最佳结果.
- CMLS有效预测预后,低CMLS组显示出有利的结果和免疫治疗反应.
- 高CMLS组表明预后不佳,但达沙替尼和罗米德辛的潜在益处.
结论:
- 综合的多组学分析完善了MUC分子分类.
- CMLS是早期预后预测和识别免疫疗法候选人的宝贵工具.
- 这些发现对个性化MUC治疗策略有重大影响.
