利用机器学习和单细胞RNA测序策略,开发基于儿科肝细胞母细胞瘤的液态相分离特征基因的风险预后评分
相关实验视频
Updated: Sep 16, 2025
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
D Q Cai1, DianKui Cai2, Zhen Zhao3
1Guangdong Cardiovascular Institute, Department of General Surgery, Guangdong Provincial People's Hospital, Guangdong Academy of Medical Sciences, Southern Medical University, Guangzhou, Guangdong Province, 510080, China.
这项研究开发了一种机器学习模型,使用液态相分离 (LLPS) 基因预测肝细胞母细胞瘤 (HB) 的预后. 该模型,LlpsHBScore,确定ZCCHC12,CDH13和CDKN2A作为HB患者诊断和生存预测的关键基因.
科学领域:
- 生物化学 生物化学
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 液-液相分离 (LLPS) 与癌症的发展和治疗耐药性有关.
- 在肝母细胞瘤 (HB) 中LLPS的作用尚未得到充分研究.
- 这项研究旨在使用机器学习和单细胞RNA测序 (scRNA-seq) 来分析HB中的LLPS相关基因.
研究的目的:
- 系统地分析肝细胞瘤 (HB) 中LLPS相关基因的分子特征.
- 为HB建立第一个基于LLPS的预后预测模型.
- 研究基于LLPS的风险评分与瘤免疫微环境之间的相关性.
主要方法:
- 使用来自GEO (GSE133039,GSE75271,GSE81928,GSE132037) 的RNA序列数据进行培训和验证.
- 应用差异表达分析,加权基因共表达网络分析 (WGCNA),随机森林和支持矢量机-递归特征消除 (SVM-RFE).
- 开发了一个基于拉索回归的风险评分 (LlpsHBScore) 并使用CIBERSORT,EPIC,MCPcounter和quantiSeq.分析免疫细胞透.
主要成果:
- 确定ZCCHC12,CDH13和CDKN2A作为关键基因,在HB中显著上调表达.
- 开发的LlpsHBScore有效诊断出HB,并预测了2年和5年生存率.
- LlpsHBScore与耐药性基因表达和CD8+ T细胞透相关.
结论:
- 在HB中增加ZCCHC12,CDH13和CDKN2A的表达提供了对疾病机制的见解.
- 一个基于机器学习的新型风险评分 (LlpsHBScore) 和诊断名录被开发用于HB.
- 这些发现支持分子亚型的潜力,了解耐药性,并优化HB的向疗法.
更多相关视频
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
05:58Author Spotlight: Exploring Strategies for Successful Immune Response Against Tumors
Published on: August 16, 2024