通过机器学习驱动的方法解读与衰老相关的预后和胃癌的异质性

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 胃癌 (GC) 是一个主要的全球健康问题,死亡率高,治疗策略有限.
• 衰老是瘤进展的重要因素,GC被认为是一种与衰老相关的异质性疾病.

研究的目的:

• 为胃癌患者分层开发一种新的与衰老相关的指数 (AAI).
• 在胃癌中识别分子亚型和潜在的治疗点.
• 通过用户友好的应用程序创建可访问的预测模型和亚型分类器.

主要方法:

• 机器学习衍生基因面板,以建立与衰老相关的指数 (AAI).
• 单细胞转录组分析,以调查瘤微环境中的AAI丰富.
• 无监督的聚类用于识别GC的独特分子亚型.
• 药物敏感性分析和开发一个 Shiny 应用程序用于预后和分类工具.

主要成果:

• AAI有效地对GC患者进行了分层,将高得分与预后不佳相关联.
• 高AAI表明辅助化疗的潜在益处,但对免疫疗法的耐药性.
• 在瘤微环境中的单细胞细胞中富含AAI.
• 确定了两种不同的GC分子亚型,强调SOX7和ELK3作为潜在的治疗点.
• 患有高ELK3表达的患者可能会受益于FDA批准的特定药物.

结论:

• 开发的AAI是胃癌患者预后和治疗指导的宝贵工具.
• 识别分子亚型和治疗点,如SOX7和ELK3,为GC治疗提供了新的途径.
• 可访问的Shiny应用程序促进了预后和分类模型的临床应用.