在子宫内膜癌中基于代谢途径的亚型化:通过多omics分析和机器学习算法的综合研究
Xiaodie Liu1,2, Wenhui Wang3, Xiaolei Zhang4
1Department of Obstetrics and Gynecology, China-Japan Friendship Hospital (Institute of Clinical Medical Sciences), Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing 100029, China.
Molecular therapy. Nucleic acids
|March 18, 2024
概括
这项研究将子宫内膜癌 (EC) 分为三个代谢亚组,揭示了不同的预后和治疗反应. 一个新的13个枢纽基因分类器有助于预测向治疗和免疫治疗的亚型.
科学领域:
- 在瘤学瘤学.
- 代谢学 代谢学 代谢学
- 基因组学就是基因组学.
背景情况:
- 子宫内膜癌 (EC) 是一种常见的女性生殖性恶性瘤,具有已知的基因组异质性.
- 了解EC的代谢格局对于开发有效的精密疗法至关重要.
研究的目的:
- 通过使用多omics数据,全面分析EC中的代谢功能障碍.
- 将EC患者分为不同的代谢亚组,以改善预后预测和治疗指导.
主要方法:
- 综合分析来自TCGA,CCLE和CPTAC的RNA-seq,蛋白质组和代谢组数据.
- 无监督的共识聚类来定义基于代谢途径的子组 (MPS).
- 机器学习算法 (LASSO,随机森林,考克斯回归) 来开发预后元基因签名.
主要成果:
- 确定了三个不同的MPS子组,具有不同的临床预后,基因组变化和免疫微环境.
- MPS2亚组对免疫治疗表现出更好的反应.
- 开发了一种13个枢纽基因分类器,用于预测MPS亚型.
结论:
- 基于代谢的EC分类系统可以提高预后的准确性.
- 这种分类指导了个性化免疫疗法和代谢向治疗策略.
- 13个枢纽基因分类器为子宫内膜癌的临床应用提供了一个实用的工具.
