在全基因组和全外基因组测序的乳腺和卵巢癌中检测HRD
Ammal Abbasi1,2,3,4,5, Christopher D Steele1,2,3, Erik N Bergstrom1,2,3
1Department of Cellular and Molecular Medicine, UC San Diego, La Jolla, CA, 92093, USA.
medRxiv : the preprint server for health sciences
|July 23, 2024
概括
乳腺癌和卵巢癌中的同源重组缺陷 (HRD) 预测了对治疗的反应. 一个新的机器学习工具,HRProfiler,从突变模式准确识别HRD,在临床试验数据中表现优于现有的方法.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 同源重组缺陷 (HRD) 是乳腺和卵巢癌的一个关键特征,对PARP抑制剂和化疗产生敏感性.
- 传统的HRD检测依赖于基因突变查 (例如BRCA1,BRCA2).
- HRD癌症表现出不同的突变特征,使得计算检测成为可能.
研究的目的:
- 开发和验证一个机器学习工具HRProfiler,用于基于突变模式检测HRD.
- 将HRProfiler的性能与现有的HRD检测方法进行比较.
主要方法:
- 训练有素的HRProfiler使用了来自1,043种乳腺癌和182种卵巢癌的整体外因子测序数据,结合了6种突变特征.
- 在独立数据集 (417 种乳腺癌,115 种卵巢癌) 上验证的 HRProfiler,包括追溯的临床试验数据.
主要成果:
- 在乳腺癌和卵巢癌中,HRProfiler显示出对临床反应的强大和一致的预测.
- HRProfiler是唯一一款可靠地预测整个外因子测序样本治疗反应的测试工具.
结论:
- HRProfiler提供了一种可靠的基于机器学习的方法,用于使用突变数据检测HRD.
- 这种工具有可能改善HRD阳性癌症的患者分层和治疗选择.
更多相关视频
08:15gDNA Enrichment by a Transposase-based Technology for NGS Analysis of the Whole Sequence of BRCA1, BRCA2, and 9 Genes Involved in DNA Damage Repair
Published on: October 6, 2014
12.2K
04:07Visualizing DNA Damage Repair Proteins in Patient-Derived Ovarian Cancer Organoids via Immunofluorescence Assays
Published on: February 24, 2023
1.7K
