通过自适应性总变异网NMF和多omics数据集识别骨髓瘤中与甲状腺素耐药性相关的诊断标志物

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 骨髓瘤是一种常见的骨癌,由于化学抵抗,预后不佳.
• 甲托雷克萨特 (MTX) 化疗的疗效受药物耐药性和高剂量限制.
• 异常的基因调节,包括DNA甲基化和microRNA,驱动骨髓瘤的进展和耐药性.

研究的目的:

• 开发一种改进的多omics数据融合方法来分析骨髓瘤.
• 识别与甲状腺素耐药性和患者结果相关的新型基因特征.
• 为了提高对骨髓瘤耐化学性和致病性机制的理解.

主要方法:

• 引入了一种新的自适应总变异非负矩阵因子化 (ATV-netNMF) 方法.
• 集成的DNA甲基化和基因表达数据用于特征模块识别.
• 结合mRNA和microRNA数据与已识别的特征,以精确确定预后基因.

主要成果:

• 与现有方法相比,ATV-netNMF方法有效提取了多omics融合特征.
• 确定了四个关键基因:碳氧胺酶E (CPE),LIM,SH3蛋白1 (LASP1),Pyruvate脱酶激酶1 (PDK1) 和血清蛋白β-乳糖酶样蛋白 (LACTB).
• 鉴定出的基因特征准确地预测了骨髓瘤患者的预后和免疫状态.

结论:

• 新的ATV-netNMF方法为癌症研究提供了增强的多omics数据集成.
• 确定了四个基因的签名,有可能预测骨髓瘤患者的结果.
• 对这些基因的进一步研究可能会揭示化学抵抗性骨髓瘤的新治疗点.