整合泛癌多组数据,用于使用机器学习方法识别新的混合亚组

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 癌症是一种复杂的疾病,具有显著的异质性,即使在来自不同器官的瘤患者中也是如此.
• 鉴定具有相似分子特征的患者子组,无论瘤来源如何,对于开发有效的治疗策略至关重要.
• 目前的方法往往忽略了跨不同癌症类型的共同分子变化.

研究的目的:

• 开发一种机器学习 (ML) 管道,用于识别泛癌分析中的新型,基于多omics的患者子组.
• 调查这些已识别的子组的临床和分子特征.
• 创建和验证用于预测未见样本中子组成员的分类模型.

主要方法:

• 使用ML算法从泛癌样本中获得的多奥米克数据 (mRNA,miRNA,DNA甲基化,蛋白质表达) 的连锁和非线性维度减少.
• 预测数据的聚类,以识别基于多个omics的新型子组.
• 分组的临床表征,包括总生存率 (OS) 和无病生存率 (DFS) 分析.
• 开发和验证决策级别和特征级别的融合分类模型,用于分组识别.

主要成果:

• 在胰腺癌数据中识别ML衍生的新型患者亚组.
• 在已识别的子组中观察到总生存 (OS) 和无病生存 (DFS) 的显著差异 (p值<0.0001).
• 小组包括来自不同瘤类型的患者,但具有相似的分子变化,包括免疫微环境,突变配置文件和丰富的途径.
• 经过验证的分类模型准确地将类标签分配给验证样本,确认子组的分子特征.

结论:

• 在全癌症分析中,可以使用机器学习识别基于多omics的新型患者子组.
• 患有不同瘤类型的患者可以表现出类似的分子特征,挑战传统的器官特定分类.
• 开发的分类模型对于识别这些新型子组是有效的,并且可以根据子组特定的分子形状来设计定制的治疗方案.