多转录组学预测了系统未治疗的乳腺癌患者的临床结果,并进行了广泛的随访

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:

• 目前对惰性乳腺癌 (BCs) 的预后工具不足于最佳,导致过度治疗.
• 使者RNAs (mRNAs),长非编码RNAs (lncRNAs) 和microRNAs (miRNAs) 在BC中显示出个人的预后潜力.
• 从mRNAs,lncRNAs和miRNAs中获得的明确的转录组信息可能会被组合起来,以改善分类.

研究的目的:

• 调查是否整合mRNAs,lncRNAs和miRNAs可以提高乳腺癌的预后分类性能.
• 使用机器学习将多转录组数据集的预后能力与单个RNA类进行比较.

主要方法:

• 一项配对设计研究使用了来自160名淋巴结阴性,系统未经治疗的BC患者的新鲜冷原发性瘤样本.
• 患者被分为两组:80名患者出现复发,80名患者在平均随访时间20.9年内保持无复发.
• 整合了三个RNA类,并使用七种机器学习方法进行分类,然后使用投票方案进行分类.

主要成果:

• 在≥90%的灵敏度下,集成数据集实现了74-91%的特异性,优于单个RNA类 (mRNAs: 56-66%, lncRNAs: 58-71%, miRNAs: 69-86%).
• 在投票后,多转录组数据集实现了85%的特异性,而mRNAs为38%,lncRNAs为48%,miRNAs为82%.
• 在严格的临床环境中 (99%的灵敏度),综合数据集显示了41%的特异性,明显优于单个RNA类 (0-28%).

结论:

• 整合多个RNA类可以大大提高乳腺癌分类的预后能力.
• 这些发现鼓励研究人员利用集成的多转录组数据集,而不是单一类分析,以提高预后准确度.
• 这种方法有望实现更精确的患者分层,并减少乳腺癌管理中的过度治疗.