乳腺癌亚组分类和检测多基组数据的异质聚类
Joseph Pateras1, Musaddiq Lodi2, Pratip Rana3
1Department of Computer Science, Virginia Commonwealth University, Richmond, VA 23284, USA.
International journal of molecular sciences
|February 26, 2025
概括
这项研究整合了用于癌症研究的多组数据,开发了用于乳腺癌亚型识别和生物标志物发现的新框架. 该方法优化了患者聚类,并增强了生存分析,为个性化癌症治疗铺平了道路.
科学领域:
- 基因组学就是基因组学.
- 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:
- 多omics数据集成对于推动癌症研究至关重要,因为"omics"数据集的数量和多样性越来越大.
- 了解癌症亚型和识别可靠的生物标志物对于有效的诊断和个性化治疗策略至关重要.
研究的目的:
- 开发和验证一个计算框架,用于联合潜变量模拟多组病人的个人资料.
- 为了使癌症亚型的发现能够高效且计算成本低廉的患者聚类.
- 确定潜在的生物标志物,并深入了解乳腺癌亚型背后的分子机制.
主要方法:
- 预期最大化算法的调整,用于多组学数据的联合潜变量建模.
- 生物特征选择与潜在分布优化的整合,用于患者聚类.
- 差异基因表达分析,通路丰富和基因本体学 (GO) 语义相似性分析用于生物标志物识别.
主要成果:
- 该框架成功地集群了患者,优化了潜伏分布,并改善了生存分析和运行时性能.
- 在乳腺癌 (BRCA) 患者中识别关键基因:COL10A1 (上调,预后不佳) 和CDG300LG (下调,大脑转移链接).
- 路径丰富揭示了保存的细胞矩阵组织路径和分型特异性扩散和内细胞分裂的差异; MATN2被确定为潜在的生物标志物.
结论:
- 拟议的框架提供了一种有效的方法来区分癌症亚型,并从多组数据中发现生物标志物.
- 鉴定的基因和途径为乳腺癌进展和转移提供了洞察力,支持个性化治疗方法.
- 该研究强调了多组学整合在揭示癌症亚型中的复杂关系和指导治疗策略方面的潜力.
