相关实验视频
Updated: Jun 15, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
儿童脑外固体瘤和淋巴瘤的转录组分析使得诊断分类能够快速,低成本地进行
Kofi B Opoku1, Teresa Santiago2, Priya Kumar2
1Department of Genetics, University of North Carolina at Chapel Hill, Chapel Hill, USA.
Scientific reports
|August 21, 2024
概括
纳米孔全转录组测序与机器学习相结合,可以准确诊断儿科瘤. 这种具有成本效益的分子诊断方法可以改善低收入和中等收入国家的癌症护理.
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:
- 儿童瘤不成比例地影响低收入和中等收入国家 (LMIC).
- 在LMIC中,对先进的诊断工具的有限获取阻碍了有效的儿科癌症治疗.
- 具有成本效益的分子诊断对于弥合癌症诊断差距至关重要.
研究的目的:
- 评估纳米孔全转录组测序在甲固定嵌 (FFPE) RNA上用于儿科瘤诊断的可行性.
- 开发和评估一种机器学习模型,使用转录组数据对儿科固体瘤和淋巴瘤进行分类.
- 确定这种方法在识别瘤类型,亚型和特定基因组变化的准确性.
主要方法:
- 使用牛津纳米孔技术对221个FFPE和32个新鲜冷的儿科固体瘤和淋巴瘤样本进行了全转录组cDNA测序.
- 用一个复合机器学习模型来分类转录资料.
- 特定的基因组特征,如FOXO1融合和MYCN放大是预测的目标.
主要成果:
- 该研究实现了高分类准确性:95.6%的儿科固体瘤和89.7%的淋巴瘤.
- 高预测概率与固体瘤的100%准确性和淋巴瘤的97.6%准确性相关.
- 证明了对FOXO1融合 (97.4%) 和MYCN放大 (88%) 的准确预测.
结论:
- 从FFPE样本中进行纳米孔全转录组测序可以提供儿科瘤的临床分类.
- 这项技术显示出在LMIC环境中解决诊断局限性的潜力.
- 需要进一步验证和改进,以将这种方法纳入临床实践,以改善儿科癌症的结果.
