3D生物打印和多算法机器学习的整合确定了质瘤易感性和微环境特征

科学领域:

• 在瘤学瘤学.
• 生物技术是生物技术.
• 生物信息学是一种生物信息学.

背景情况:

• 由于其复杂的微环境和遗传多样性,质瘤在治疗中存在重大挑战.
• 预测治疗反应和了解瘤微环境对于有效的质瘤治疗开发至关重要.

研究的目的:

• 开发一种使用3D生物打印和多算法机器学习的综合方法,以改善质瘤治疗反应评估.
• 创建一个强大的机器学习工作流程 (GlioML),用于分析基因表达和预测患者衍生质瘤模型中的药物疗效.

主要方法:

• 整合3D生物打印技术与患者衍生的质瘤组织,以创建现实的瘤模型.
• 开发GlioML,一个机器学习工作流,采用九个算法和用于基因表达分析的加权集合模型.
• 在各种体外系统中验证模型,包括球体培养,3D生物打印模型和患者衍生组织.

主要成果:

• 生物打印的质瘤组织准确地模仿了原生瘤的分子特性和药物反应.
• 在预测治疗结果方面,GlioML整体模型表现出比单个算法更好的性能.
• 该方法成功评估了与T细胞相关的和抗血管生成疗法,识别了有希望的化合物并揭示了瘤微环境的独特特征.

结论:

• 结合3D生物打印和机器学习策略,为增强质瘤治疗发展提供了一个强大的工具.
• 这种综合性方法为瘤微环境和治疗机制提供了宝贵的见解,适用于质瘤和其他癌症.