通过多omics方法推断无监督深度学习衍生成像表型和质母细胞瘤之间的遗传关系

科学领域:

• 基因组学和计算生物学
• 神经瘤学神经瘤学
• 医学成像分析 医学成像分析

背景情况:

• 质母细胞瘤 (GBM) 是一种具有复杂遗传基础的侵袭性脑瘤.
• 无监督深度学习衍生成像表型 (UDIP) 提供了新的方法来表征瘤异质性.
• 了解成像表型的遗传基础对于向治疗至关重要.

研究的目的:

• 调查UDIP和GBM之间的遗传关联.
• 确定与GBM发展和复发有因果关系的特定UDIP.
• 探索不同GBM亚型中这些遗传关联的细胞相关性.

主要方法:

• 全基因组关联研究 (GWAS) 和单核RNA测序 (snRNA-seq) 数据集成.
• 两个样本的孟德尔随机化和局部化分析用于因果推理.
• 基于路径的多基因回归 (scPagwas) 用于细胞水平相关性评估.

主要成果:

• 在512个UDIP中,有23个显示出与GBM有显著的因果关系.
• UDIPs T1-33,T1-34和T1-96证明了与GBM的遗传联系.
• T1-34和T1-96与GBM复发有显著的关联;特定的UDIP与不同的GBM亚型相关.

结论:

• 在UDIPs和GBM之间的遗传关联可以使用集成的多omics方法来识别.
• 选择的UDIPs (T1-33,T1-34,T1-96) 有可能成为GBM复发的生物标志物.
• 这些发现支持基于成像表型的个性化GBM治疗策略的开发.