综合的多组学分析和机器学习完善了甲状腺癌分子亚型和预后
Peng Zhang1, Meizhong Qin1, Fen Li2
1Department of Thyroid And Breast Surgery, the Third Affiliated Hospital of Sun Yat-sen University, Guangzhou, 510630, Guangdong Province, P.R. China.
Discover oncology
|June 23, 2025
概括
这项研究确定了三种甲状腺癌 (THCA) 分子类型,并开发了一种基于多基因的强大预后模型 (CMLS). 该CMLS模型有助于预测患者的结果,并指导甲状腺癌的个性化治疗.
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:
- 甲状腺癌 (THCA) 呈现出显著的分子异质性,使准确的预后和个性化治疗复杂化.
- 当前的预后模型通常使用有限的数据和算法,影响其可靠性和临床实用性.
研究的目的:
- 使用多组学数据对THCA的分子亚型进行分类.
- 通过整合多个机器学习算法和omics层,开发一个强大的THCA预测模型.
- 评估模型的性能及其与免疫基因组特征和药物敏感性的相关性.
主要方法:
- 整合了来自THCA患者的五个omics层.
- 应用11个聚类算法来识别分子亚型.
- 使用稳定的预后相关基因 (SPRGs) 和99种机器学习组合的预后模型 (共识机器学习驱动签名 - CMLS) 的开发.
- 在内部和外部患者队列中验证.
主要成果:
- 确定了三个不同的分子亚型 (CS1-CS3),其中CS2显示出最差的预后.
- 建立一个具有强大的预后能力的九基因CMLS模型.
- 低CMLS组与更好的结果,增强的免疫透,更高的瘤突变负担 (TMB) 和瘤新抗原 (TNB) 负载以及改善的免疫治疗反应的相关性.
- 为高CMLS患者确定六种潜在的治疗药物.
结论:
- 该研究提出了一个强大的,多经济学驱动的THCA的分类.
- 开发的CMLS模型为THCA的预后预测和个性化治疗指导提供了临床相关性.
- 这些发现支持改善甲状腺癌患者的风险分层和量身定制的治疗策略.
