机器学习将多omics数据和网络算法结合起来,识别 adrenocortical carcinoma预后生物标志物

科学领域:

• 内分泌学 在内分泌学.
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 系统生物学 系统生物学

背景情况:

• 皮上腺癌 (ACC) 是一种罕见的内分泌癌症,具有不完整的致病知识和有限的治疗选择.
• 准确的诊断和预后具有挑战性,需要识别新的分子驱动因素和生物标志物.
• 有效的生物标志物对于及时诊断和患者分层对于最佳治疗至关重要.

研究的目的:

• 证明机器学习和多omics数据集成的实用性,用于识别ACC中的预后生物标志物.
• 发现新的分子驱动因素和生物标志物,以改善ACC诊断和患者分层.
• 开发一个强大的预后签名,用于ACC管理中的临床应用.

主要方法:

• 利用TCGA皮上腺癌队列的基因表达和DNA甲基化数据集.
• 采用DIABLO方法用于多omics数据集成以识别歧视签名.
• 应用Clarivate CBDD系统生物学工具用于识别签名的调节者.
• 在独立数据集上使用随机森林分类和卡普兰-梅尔分析验证了预测值.

主要成果:

• 产生了一种包含基因,microRNA和甲基化位点的多omics签名.
• 该签名在按阶段 (I-II vs. III-IV) 分类ACC患者方面表现出了很高的力量.
• 确定了8个基因和4个microRNAs与ACC患者的整体存活 (OS) 有意义地相关.
• 开发了一个9个特征的预后签名,能够预测高风险的ACC患者.

结论:

• 机器学习和整合性多学科分析,再加上系统生物学工具,成功地确定了具有高预后价值的ACC生物标志物.
• 多omics数据是发现罕见癌症驱动因素和预后生物标志物的宝贵资源.
• 这些已识别的生物标志物有可能用于改善ACC诊断和患者管理的临床应用.