综合的多omics分析和机器学习开发了一个基于线粒体功能的预后模型,用于胃癌的大型多中心队列
Yimeng Ma1, Jingjing Jin2, Zixuan Xue1
1Department of Clinical Laboratory, Key Laboratory of Clinical Laboratory Diagnosis and Translational Research of Zhejiang Province, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, Zhejiang, China.
Journal of translational medicine
|April 23, 2024
概括
这项研究开发了一种使用机器学习的线粒体相关评分 (MitoScore) 来评估胃癌 (GC) 进展. 该得分与免疫和代谢功能相关,LETM2显示出作为瘤基因标的潜力.
科学领域:
- 在瘤学瘤学.
- 线粒体生物学 线粒体生物学
- 计算生物学 计算生物学
背景情况:
- 胃癌 (GC) 是一种流行且具有不良预后的侵袭性恶性瘤.
- 了解细胞死亡机制,特别是线粒体参与,对于GC发育至关重要.
- 需要进一步研究线粒体功能与GC细胞死亡之间的相互作用.
研究的目的:
- 用计算方法研究线粒体相关蛋白在胃癌进展中的作用.
- 根据与线粒体相关的因素,开发胃癌的预测得分.
- 探索LEMT2在胃癌进展中的功能.
主要方法:
- 在1199名GC患者的队列上使用了10个机器学习算法的计算框架.
- 根据表现最好的机器学习模型开发了线粒体相关得分 (MitoScore).
- 评估了线粒体功能 (ATP,膜潜力,代谢物) 和LEMT2表达.
主要成果:
- MitoScore在GC中显示出与免疫和代谢功能的显著相关性.
- 较高的MitoScore分组显示了丰富的代谢途径和增加的免疫活性.
- LETM2过度表达通过激活mTOR和糖解,增强了GC增殖和转移,维持了线粒体平衡.
结论:
- 开发的MitoScore为评估胃癌提供了宝贵的见解.
- LETM2被确定为GC中的瘤基因特征,可能促进瘤进展.
- LETM2在线粒体健康和糖解中的作用表明它是GC的潜在诊断和治疗标.
