从批量到单细胞和空间数据:一个AI框架来表征乳腺癌的代谢失调跨模式

科学领域:

• 计算生物学 计算生物学
• 癌症研究 癌症研究
• 系统生物学 系统生物学

背景情况:

• 瘤异质性限制了传统的代谢生物标志物.
• 基因组规模的代谢模型提供了针对患者的具体见解.
• 与代谢模型集成的多omics数据还没有得到充分的探索.

研究的目的:

• 为乳腺癌患者分层制定统一的框架.
• 通过可解释的机器学习,整合多模式数据 (omics,临床,代谢模型).
• 在乳腺癌风险组中表征分子和代谢失调.

主要方法:

• 使用可解释的多模式机器学习开发了一个统一的框架.
• 集成的转录学,临床数据和基因组规模的代谢建模.
• 在批量,单细胞和空间数据尺度上验证了框架.

主要成果:

• 该框架成功地分层了乳腺癌患者.
• 确定了关键的分子和代谢失调.
• 揭示了患者,细胞和空间层面的预后特征.

结论:

• 拟议的框架将机械代谢建模与机器学习相结合,以全面了解乳腺癌.
• 这种方法通过揭示多尺度生物标志物来增强个性化癌症治疗.
• 提供了一种新的方式来解释复杂的癌症生物学,并改善患者的治疗结果.