相关实验视频
Updated: May 5, 2026
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
集成的转录组景观和深度学习基于子宫肉瘤的生存预测
Yaolin Song1, Guangqi Li1, Zhenqi Zhang1
1Department of Pathology, The Affiliated Hospital of Qingdao University, Qingdao, China.
Cancer research and treatment
|July 12, 2024
概括
子宫肉瘤 (USs) 呈现出明显的基因组特征,新型基因融合可能有助于诊断. 一个深度学习模型有效地预测了患者的生存率,为这些罕见的癌症提供了新的见解.
科学领域:
- 基因组学就是基因组学.
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
背景情况:
- 子宫肉瘤 (USs) 是一种罕见的恶性瘤,基因组概况不明.
- 全面的基因组表征对于改善诊断和治疗策略至关重要.
研究的目的:
- 为了阐明子宫肉瘤的基因组景观.
- 为了识别不同的基因组签名和不同美国亚型的潜在诊断标记.
- 开发患者生存的预测模型.
主要方法:
- 在71个美国样本上进行了RNA测序.
- 分析包括基因融合,差异表达基因 (DEGs),途径丰富和免疫细胞透.
- 为了生存预测,开发了一个深度学习模型 (MMN-MIL).
主要成果:
- 在子宫内膜层肉瘤 (ESS) 和子宫内膜层肉瘤 (uLMS) 中观察到明显的基因融合特征.
- 一种新的基因融合,MRPS18A-PDC-AS1,显示出作为诊断标记物的潜力.
- MMN-MIL模型在预测美国患者存活率方面实现了高精度 (0.804) 和AUC (0.909).
- 对于LAMB4和特定的免疫细胞类型,确定了预后值.
结论:
- 子宫肉瘤表现出独特的基因组和基因表达特征,区分诸如高等级ESS (HGESS),低等级ESS (LGESS) 和ULMS等亚型.
- MMN-MIL深度学习模型显示了预测美国患者存活率的巨大潜力.
