数据驱动的可持续的试管婴儿运动破译了侵袭性乳腺癌特征
Lekha Shah1, Valentina Breschi2, Annalisa Tirella1
1Department of Industrial Engineering and BIOtech Research Center, University of Trento, 38123 Trento, Italy.
ACS biomaterials science & engineering
|July 25, 2025
概括
本研究引入了一种机器学习方法,用于分析模拟乳腺瘤微环境的微生理系统 (MPS) 的复杂数据. 它确定了区分侵袭性和非侵袭性乳腺癌细胞的关键标志物,有助于预后工具的开发.
科学领域:
- 生物医学工程 生物医学工程
- 癌症研究 癌症研究
- 计算生物学 计算生物学
背景情况:
- 生物复杂性往往掩盖了微环境因素在疾病中的作用.
- 微生理系统 (MPSs) 在体外模型组织微环境以了解病理生理学.
- 之前的工作确立了乳腺瘤MPSs,其矩阵刚度,pH值和流体流量各不相同.
研究的目的:
- 开发一种基于机器学习 (ML) 的方法来分析来自乳腺瘤MPSs产生的复杂数据.
- 确定关键标记物和微环境,区分侵袭性与非侵袭性乳腺癌细胞表型.
- 简化实验设计,增强MPS研究的翻译潜力.
主要方法:
- 利用无监督的k-means集群进行数据分析.
- 采用特征提取技术来识别重要的生物标记.
- 将这些方法应用于来自两个人类乳腺细胞系 (MDA-MB-231,MCF-7) 的高维数据,这些数据在工程乳腺特异性微环境中.
主要成果:
- 成功确定了关键标记物和特定的微环境,区分侵袭性 (MDA-MB-231) 和非侵袭性 (MCF-7) 乳腺细胞表型.
- 证明了ML方法的能力来解释复杂的,高维的MPS数据.
- 突出了特定的细胞过程,如增殖,上皮转移到介质细胞 (EMT) 和乳腺癌干细胞 (B-CSC) 标记表达.
结论:
- 基于ML的数据分析方法有效地解释复杂的MPS数据.
- 这种方法有助于改进乳腺癌的预后工具.
- 将MPS见解与ML集成为个性化治疗策略提供了潜力.
