综合的多omics分析和机器学习完善了肝细胞癌的分子亚型和临床结果

科学领域:

• 在瘤学瘤学.
• 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:

• 肝细胞癌 (HCC) 的发病率和死亡率很高,大多数病例在晚期被诊断出来,导致治疗结果差.
• 早期HCC诊断提供了激进治疗的有利预后,突出了改善诊断和预后工具的需要.

研究的目的:

• 开发一个强大的分子分类系统HCC使用多omics数据集成.
• 确定用于预测患者存活率,免疫治疗反应和指导HCC中化疗剂选择的新生物标志物.

主要方法:

• 综合了HCC患者的多omics数据,使用了10种不同的集群算法.
• 通过10个机器学习算法的101个组合开发了一个基于机器学习的共识签名 (CMLBS).
• 在TCGA-LIHC,ICGC-LIRI和多种免疫疗法队列中验证了CMLBS模型.

主要成果:

• 通过多omics共识集群识别了两个不同的HCC癌症亚型 (CSs),其中CS2显示出优越的整体存活率 (OS).
• 低CMLBS患者表现出良好的临床结果和对免疫疗法的反应能力提高.
• 高CMLBS患者对特定化疗剂表现出不同的敏感性,这表明个性化治疗选择的潜力.

结论:

• CMLBS模型完善了HCC的分子分类,并作为预测患者预后的宝贵工具.
• CMLBS显示出作为查工具的潜力,用于识别可能受益于免疫治疗的HCC患者.
• 在HCC的临床管理中,CMLBS签名提供了实际的实用性,有助于治疗选择和患者分层.