基于机器学习的液态-液态相分离,用于个性化评估乳腺癌治疗

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 乳腺癌是一种异质性疾病,是女性死亡的主要原因.
• 准确的预后和个性化治疗对于改善患者的治疗结果至关重要.

研究的目的:

• 开发一种机器学习衍生液态相分离 (MDLS) 模型,以提高乳腺癌预后的准确性.
• 确定个性化的治疗策略,包括免疫疗法和化疗点.

主要方法:

• 利用十个机器学习算法,为MDLS模型创建了108个算法组合.
• 通过使用来自14个乳腺癌队列 (9,723名患者) 的多细胞和单细胞数据来评估模型的稳定性.
• 分析了基因突变,拷贝数变化和单细胞RNA测序,以了解分子机制和预测能力.

主要成果:

• MDLS模型实现了0.649的平均C指数,超过了69个已发布的签名.
• 高MDLS患者显示较高的瘤突变负担和明显的基因组变化.
• 单细胞分析显示,瘤形细胞中MDLS活性较高,高MDLS组中细胞细胞通信较强.

结论:

• MDLS模型为预测乳腺癌预后和指导个性化治疗提供了一个强大的工具.
• 整合多组学和机器学习为免疫疗法和向疗法提供了潜在的临床应用.