基于深度学习的多omics分析,用于预测癌症未来的转移

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:

• 转移是癌症死亡率的主要驱动因素.
• 预测转移和确定可靠的生物标志物仍然是重要的临床障碍.

研究的目的:

• 开发EmitGCL,这是一个深度学习框架,用于准确的转移预测和生物标志物发现.
• 为了验证EmitGCL的性能与现有的计算工具相比.

主要方法:

• 在6种癌症类型和7个患者队列中对其他计算工具进行EmitGCL的基准测试.
• 利用深度学习进行转移预测和生物标志物识别.
• 通过独立队列和功能分析验证已识别的生物标志物 (HSP90AA1,HSP90AB1) 和转移驱动因素 (YY1).

主要成果:

• 与其他工具相比,EmitGCL在预测转移方面表现出更高的灵敏度和特异性.
• 该框架成功地在淋巴结阴性乳腺癌患者中识别了隐藏的转移性细胞.
• 在多个队列中,HSP90AA1和HSP90AB1被验证为乳腺癌转移的预测生物标志物.
• 确定YY1是乳腺癌转移的关键驱动因素.

结论:

• EmitGCL提供了一种强大的计算方法,用于预测癌症转移和发现生物标志物.
• 这些发现强调HSP90AA1,HSP90AB1和YY1是乳腺癌转移的关键因素.
• YY1为抑制癌症扩散提供了潜在的治疗标.