多原子机器学习关于乳糖化的分子类型和肺腺癌的预后

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:

• 肺腺癌 (LUAD) 是癌症死亡的主要原因.
• 精确的分子类型和预后预测对于LUAD患者管理至关重要.
• 乳化是一种翻译后的修饰,已成为癌症进展的重要因素.

研究的目的:

• 整合机器学习和多原子数据,以基于乳化相关基因 (LRG) 的方式对LUAD分子亚型进行分类.
• 开发一个使用LRG来预测患者结果的LUAD预后模型.
• 探索已识别的亚型和预后标记在指导治疗策略中的潜力.

主要方法:

• 分析LRG mRNA,长非编码RNA转录组,表观遗传甲基化和体基因突变数据从癌症基因组图谱 (TCGA) LUAD队列.
• 应用10种多组组合集群技术来识别乳化癌亚型 (CSs).
• 使用九个枢纽LRG开发和验证预后模型,并对GSE31210和GSE13213 LUAD队列进行外部验证.

主要成果:

• 在LUAD中识别了两个不同的乳酸化CS,在独立队列中进行了验证.
• 一个基于九个枢纽的LRG预后模型准确地将患者分为高风险和低风险组.
• 高风险患者表现出晚期癌症,更高的复发率和较差的存活率,具有更多的瘤突变.
• 低风险患者表现出较高的免疫活性,表明免疫治疗反应更好,对化疗药物的敏感性增加.

结论:

• 这项研究成功地整合了多原子数据和机器学习,以建立基于乳的新型分子亚型和LUAD的强大预后模型.
• 这些发现凸显了乳化修饰在LUAD进展中的关键作用,并为个性化治疗策略提供了有价值的工具.
• 开发的模型为预测患者对免疫疗法和化疗反应提供了洞察力,为LUAD精密瘤学铺平了道路.