乳腺癌新辅助治疗的多式诊断模型和亚型分析

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 蛋白质组学是指蛋白质组学.
• 医疗成像医学成像

背景情况:

• 乳腺癌是一种异质性疾病,具有多种不同的分子亚型.
• 新辅助疗法 (NAT) 对于改善手术结果和评估治疗反应至关重要.
• 由于瘤的复杂性和患者反应的多样性,预测NAT疗效具有挑战性.

研究的目的:

• 开发一种多式诊断模型,用于预测乳腺癌中对NAT的病理完整反应 (pCR).
• 根据多式联络数据和它们与NAT反应的关联,识别新的乳腺癌亚型.
• 探索瘤微环境的异质性和在已识别的亚型内的细胞-细胞通信.

主要方法:

• 综合了来自多个队伍的蛋白质组,基因组,MRI成像和临床数据 (I-SPY2,TCGA-BRCA,GSE161529,METABRIC).
• 采用拉索回归来选择特征和五种机器学习算法来构建PCR的预测模型.
• 利用无监督集群 (MOVICS,九个算法) 来识别多式乳腺癌亚型.

主要成果:

• 多omics的里奇回归模型在预测pCR方面取得了很高的性能 (AUC = 0.917).
• 确定了四种不同的亚型,它们在分子形状,免疫微环境和临床特征上有显著差异.
• 证明了对化疗和免疫疗法的亚型特定反应,具有明显的瘤微环境异质性和细胞-细胞通信模式.

结论:

• 多模式数据分析和机器学习为预测乳腺癌中NAT疗效提供了强大的工具.
• 已识别的亚型为个性化治疗策略提供了框架,优化了患者的治疗结果.
• 为了实验验证和应用于其他癌症类型和治疗方法,需要进一步的研究.