基于深度学习的多组数据集成用于低级质瘤的亚型
Huilin Li1, Musu Li1, Yue Sun1
1Department of Biostatistics, National Vaccine Innovation Platform, School of Public Health, Nanjing Medical University, Nanjing, 211166, China.
Journal of molecular neuroscience : MN
|August 27, 2025
概括
一个新的深度学习模型,MOST通过整合多组数据,确定了低度质瘤 (LGG) 的两个不同的生存亚型. 这种方法提高了LGG患者的预后.
科学领域:
- 癌症学
- 基因组学
- 生物信息学
背景情况:
- 低度质瘤 (LGGs) 是复杂的脑瘤,需要改善预后标志物.
- 目前的分子亚型需要进一步细化,以更好地分层患者.
研究的目的:
- 开发基于深度学习 (DL) 的多组模型来识别LGG的生存亚型.
- 提高LGG患者预后的准确性.
主要方法:
- 开发了一个基于深度学习的多学科生存网络 (MOST) 模型.
- 来自TCGA的综合组织学RNA-seq,miRNA-seq和DNA甲基化数据 (N=497).
- 使用内部和外部队列 (CCGA) 进行验证.
主要成果:
- 确定了两个LGG患者亚型,其生存率有显著差异 (P=3. 07E-16).
- MOST模型显示强大的性能 (C=0.92±0.02) 和外部验证.
- 与HOX基因表达,胆固醇调节,糖解,EMT和M2巨相关的高危亚型.
结论:
- 基于DL的MOST模型有效地使用多omics数据划分LGG生存亚型.
- 这种方法为改善LGG预测提供了强大的工具.
- 这些发现突出了与LGG结果相关的关键分子途径和细胞组件.
