深度学习使瘤微环境的微生物概况和宿主基因表达的整合成为可能,以便在不同类型的癌症中进行可解释的生存亚型

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 微生物组研究 微生物组研究

背景情况:

• 瘤微生物组影响癌症的发展和治疗反应.
• 了解瘤微生物,宿主基因和患者生存之间的相互作用对于个性化医学至关重要.
• 目前的方法很难完全阐明瘤微环境中的这些复杂关系.

研究的目的:

• 开发一种新的深度学习框架,ASD-cancer (基于自编码器的癌症亚型检测器),用于分析瘤微生物组和转录组数据.
• 在各种癌症类型中识别不同的患者生存亚型.
• 发现与生存相关的生物标志物和微生物与宿主基因相互作用.

主要方法:

• 利用半监督深度学习方法 (ASD-癌症) 来从瘤微生物组和转录组数据中提取与生存相关的特征.
• 将框架应用于癌症基因组图谱 (TCGA) 数据库,分析了20种癌症类型的样本.
• 使用统计分析,包括日志级别测试,以比较风险分层与传统方法,如主要组件分析 (PCA).

主要成果:

• 在分析的所有20种癌症类型中确定了两个统计学上不同的生存亚型.
• 与PCA相比,ASD癌症显著改善了风险分层,特别是肝肝细胞癌 (LIHC).
• 准确预测生存亚型,并确定潜在的微生物与宿主基因相互作用 (例如,LIHC中的*Arcobacter*和HIF-1信号) 作为生存生物标志物.

结论:

• ASD-cancer有效地解码复杂的瘤微环境数据,以实现准确的生存亚型和生物标志物发现.
• 该框架提供了卓越的风险分层,有助于精细的患者预后.
• 这些发现通过确定潜在的治疗点,促进个性化治疗策略,并增强对癌症中微生物与宿主相互作用的理解.