结合空间转录学,伪时代和机器学习,可以发现前列腺癌的生物标志物

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物标志物发现发现

背景情况:

• 早期癌症诊断依赖于可靠的生物标志物,由于瘤的复杂性和患者间的变异性,很难识别这些生物标志物.
• 目前的方法与瘤内和不同患者之间复杂的基因相互作用网络进行斗争.

研究的目的:

• 确定可靠的生物标志物用于早期前列腺癌检测,可通过常规临床方法测量.
• 利用空间转录学和伪时间分析来建模恶性转变并发现新的生物标志物.

主要方法:

• 来自三项前列腺癌研究的空间转录学数据被用来构建恶性转变的伪实时模型.
• 与恶性转变相关的基因被确定并验证为候选生物标志物.
• 机器学习模型应用于来自2000多名患者的mRNA,免疫组织化学,蛋白质组学,血清,组织和尿液数据.

主要成果:

• 鉴定了与癌症等级,副本数异常,标志性途径和药物点相关的基因.
• 在多种数据类型 (mRNA,IHC,蛋白质组学) 和样本来源 (血清,组织,尿液) 中发现了候选生物标志物.
• 基于尿液的生物标志物实现了前列腺癌检测曲线下的面积 (AUC) 0.92,并与癌症等级相关联.

结论:

• 空间转录学,伪时间和机器学习的结合显示出前列腺癌诊断的巨大潜力.
• 在尿液中检测到的新型生物标志物为早期癌症检测提供了有希望的,非侵入性的方法.
• 需要在前性研究中进一步验证,以确认这些发现的临床实用性.