新型转录因子机器学习模型和向药物组合治疗策略在三阴性乳腺癌中的应用

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 分子生物学分子生物学

背景情况:

• 转录因子 (TFs) 在瘤发育中至关重要,特别是在三阴性乳腺癌 (TNBC) 中,其预后不佳.
• 机器学习 (ML) 有助于预测瘤行为和识别关键驱动因素,但TNBC研究中的TF集成是有限的.

研究的目的:

• 开发基于使用ML的转录因子表达的TNBC预后模型.
• 选针对性药物与已识别的TF,并评估组合疗法.

主要方法:

• 使用最小绝对收缩和选择运算符 (LASSO) 构建预测TF模型.
• 使用分子对接来选潜在的向药物.
• 进行了体外和体内实验,以评估药物组合的疗效和毒性.

主要成果:

• 使用E2F8,FOXM1和MYBL2进行的预后ML模型显示TNBC的高预测准确性 (AUC=0.877在一年内).
• 该模型确定了TFs作为潜在上调细胞增殖途径的高风险因素,并预测了免疫疗法的不良影响.
• 选药物 (TSA,DOX,) 发现TSA+DOX降低了DOX剂量,而TSA+DOX+可能减轻了DOX的心脏毒性.

结论:

• 基于ML的TF模型为TNBC临床和预后诊断提供了新的生物标志物.
• 组合向药物策略为TNBC治疗提供了一个有希望的新途径,有可能提高疗效并减少副作用.