整合单细胞分析和大量RNA测序数据,使用多层次注意力图神经网络来准确预测甲状腺癌的分层
Langping Tan1, Zhenjun Huang1, Yongjian Chen2,3
1Guangdong Provincial Key Laboratory of Malignant Tumor Epigenetics and Gene Regulation, Department of Thyroid Surgery, Department of Medical Oncology, Sun Yat-sen Memorial Hospital, Sun Yat-sen University, Guangzhou 510120, China.
Cancers
|July 29, 2025
概括
这项研究揭示了T细胞基因特征有效预测甲状腺癌的预后. 整合单细胞RNA测序和多层次注意力图神经网络 (MLA-GNN) 模型,改善了甲状腺癌患者的无疾病生存预测.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 甲状腺癌的预后管理面临着持续的挑战.
- 瘤微环境的T细胞在癌症进展中发挥着关键作用.
- 集散和单细胞RNA测序 (scRNA-seq) 的整合提供了对瘤生物学的更深入的理解.
研究的目的:
- 通过分析T细胞作用来提高甲状腺癌的预后精度.
- 开发一种使用T细胞相关基因表达的无病生存 (DFS) 预测模型.
- 探索T细胞签名在指导甲状腺癌治疗策略中的潜力.
主要方法:
- 对15个甲状腺癌scRNA-seq样本 (GEO) 和489个患者样本 (TCGA) 的分析.
- 应用一个多层次的注意力图神经网络 (MLA-GNN) 模型.
- 整合与T细胞相关的差异表达基因 (DEGs) 在培训和验证队列中用于DFS预测.
主要成果:
- 使用单细胞转录学对转移性甲状腺癌免疫微环境的系统性表征.
- 确定关键的T细胞亚型和与甲状腺癌发展相关的基于T细胞的DEG.
- MLA-GNN模型在预测DFS方面表现出很高的准确性 (例如,5年AUC在培训中为0.949,在验证中为0.804).
结论:
- 基于T细胞基因的风险特征对于预测甲状腺癌预后是有效的.
- 对T细胞特征的全面表征增强了对瘤对免疫疗法的反应的理解.
- 这些发现可能会为甲状腺癌治疗的新疗法策略提供信息.
