将多omics分析与机器学习相结合,发现新的分子亚型,预后标志物以及对黑色素瘤免疫疗法的洞察力
Songyun Zhao1, Zihao Li1, Kaibo Liu1
1Department of Plastic Surgery, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, China.
BMC cancer
|April 8, 2025
概括
这项研究确定了新的黑色素瘤亚型,并开发了一种机器学习驱动的签名 (MLDS),以提高预后准确性. MLDS有助于预测患者对治疗的反应,为个性化黑色素瘤治疗提供新的工具.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 皮肤黑色素瘤 (SKCM) 是一种具有高死亡率和有限治疗选择的侵袭性癌症.
- 准确的预后和治疗目标的识别对于改善患者的治疗结果至关重要.
研究的目的:
- 通过多omics分析和机器学习来识别黑色素瘤中的关键目标基因.
- 提高黑色素瘤预后的诊断准确度,并开发新的治疗策略.
- 研究瘤微环境 (TME) 在黑色素瘤进展中的作用.
主要方法:
- 在TCGA和GEO数据集上进行多omics分析 (RNA表达,甲基化,突变数据) 和机器学习.
- 鉴定黑色素瘤分子亚型和开发机器学习驱动的签名 (MLDS).
- 使用基因淘汰和体内试验验证MLDS预测可靠性的验证.
主要成果:
- 确定了三个具有预后意义的不同黑色素瘤亚型.
- MLDS显著提高了预后预测的准确性,并且与免疫细胞透和检查点表达有关.
- 涉及AGPAT2的MAPK信号通路促进瘤存活,并且AGPAT2被证实是黑色素瘤中的瘤基因.
结论:
- 黑色素瘤表现出多种不同的分子亚型,TME在进展中起着至关重要的作用.
- 开发的MLDS为个性化治疗和皮肤黑色素瘤的预后评估提供了宝贵的工具.
- 这项研究为黑色素瘤的复杂性和潜在的治疗途径提供了新的见解.
