通过单细胞景观分析在 LUAD 中构建代谢重编程生存风险框架:通过遗传算法优化进行三阶段合体学习
Xinti Sun1, Minyu Nong2, Fei Meng1
1Department of Cardiothoracic Surgery, Tianjin Medical University General Hospital, Tianjin, China.
Journal of translational medicine
|April 15, 2024
概括
这项研究引入了一种新的三阶段合体学习模型 (3S-MMR),通过分析代谢重编程来预测肺腺癌 (LUAD) 的预后. 3S-MMR得分提供了关于LUAD异质性和潜在的免疫治疗反应的见解.
科学领域:
- 在瘤学瘤学.
- 代谢生物学代谢生物学
- 计算生物学 计算生物学
背景情况:
- 代谢重编程与瘤进展有关,但其在肺腺癌 (LUAD) 异质性和预后中的作用尚未完全理解.
- 了解LUAD患者间的变异性对于开发有效的精准医学策略至关重要.
研究的目的:
- 研究代谢重编程对LUAD异质性和预后的影响.
- 开发一个强大的预后模型,使用集体学习方法来对LUAD进行预测.
- 创建一个用户友好的工具用于临床应用在LUAD风险分层和治疗.
主要方法:
- 一个细胞层次框架,恶性和代谢重编程 (MMR),是使用恶性和代谢基因组开发的.
- 一个包含遗传算法 (GA) 的三阶段合体学习管道,被设计用于生存预测.
- 该管道使用了双重训练集,以防止过度配合,以及基因配对方法,以减轻批量效应.
主要成果:
- 开发了一种新的三阶段MMR (3S-MMR) 评分,反映了不同的LUAD生物方面.
- 3S-MMR得分证明了作为预后和多个LUAD队列的潜在免疫疗法反应的预测指标的概括性.
- 创建了一个可访问的网络工具,以促进临床采用 LUAD 患者的风险评分和治疗分层.
结论:
- 拟议的3S-MMR得分为LUAD生物学和精准医学提供了宝贵的见解.
- 整体学习管道为开发各种疾病的预后模型提供了可概括的方法.
- 这项工作有助于改善肺腺癌患者的治疗策略和预后评估.


