无监督的基于机器学习的分层和肝肝细胞癌的免疫解
Mae Montserrat Reierson1, Animesh Acharjee2,3,4,5
1Cancer and Genomic Sciences, School of Medical Sciences, College of Medicine and Health, University of Birmingham, Birmingham, B15 2TT, UK.
BMC cancer
|May 10, 2025
概括
无监督机器学习确定了13个基因,这些基因分层肝细胞癌 (HCC) 患者. 基因DCN通过调节瘤微环境 (TME) 来改善生存的生物标志物.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 肝细胞癌 (HCC) 是一种流行癌症,死亡率高.
- 瘤微环境 (TME) 影响HCC的治疗和预后.
- 了解HCC异质性对于改善患者的治疗结果至关重要.
研究的目的:
- 使用无监督机器学习来分层肝细胞癌 (HCC) 患者.
- 为了确定与HCC亚型和患者存活率相关的保存基因.
- 研究瘤微环境 (TME) 在HCC中的作用.
主要方法:
- 应用无监督机器学习 (等级聚类,多omics因子分析,自动编码器) 到HCC微阵列数据.
- 利用免疫解密算法来估计免疫细胞透.
- 在初级和验证数据集中验证的基因发现.
主要成果:
- 确定了13个影响HCC亚型的保存基因.
- 发现TOP2A,DCN和MT1E与生存和复发有显著的关联.
- DCN与改善的生存率显著相关,可能是通过TME调制.
结论:
- 这13个已识别的基因促进了对HCC异质性和TME的理解.
- 这些发现可能会导致新的生物标志物和HCC的治疗点.
- 进一步的研究应探讨影响TME的非遗传因素,如瘤微生物组和 stromal 相互作用.
更多相关视频
11:00Visualization, Quantification, and Mapping of Immune Cell Populations in the Tumor Microenvironment
Published on: March 25, 2020
16.9K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K