利用TME功能和多omics数据与先进的深度学习框架来改善癌症生存预测

科学领域:

• 神经瘤学神经瘤学
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 质瘤是一种具有攻击性的脑瘤,由于其侵入性和异质性,其存活率很低.
• 准确的预后预测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:

• 整合多学科数据,以改善质瘤预后和识别新型治疗点.
• 开发和验证一个强大的预测模型来预测质瘤患者的存活率.

主要方法:

• 单细胞RNA测序 (scRNA-seq) 用于识别不同的细胞状态 (55个通过EcoTyper框架识别).
• 综合了来自620个样本的多omics数据集 (转录组,CNV,突变,微生物数据).
• 为了预测预后,开发了一种包含scRNA-seq数据的自我规范网络 (SNN) 模型.

主要成果:

• 经scRNA-seq增强的SNN模型表现出强大的预测性能 (C指数0.822培训,0.817测试),在1,3和5年时具有高AUC值.
• 梯度归因分析确定了关键的分子标记,并增强了模型的解释性.
• 高风险和低风险的患者组被验证为独立的预后因素.

结论:

• 整合scRNA-seq和多omics数据为质瘤预后提供了一个强大的方法.
• 开发的模型支持临床决策,并有助于识别潜在的治疗策略,如HDAC抑制剂.