通过集成的多omics分析和117种机器学习组合,提升肺状细胞癌的预后和治疗预测
Guangcai Wan1, Shuang Li2, Xuefeng Wu1
1Department of Clinical Laboratory, Jilin Cancer Hospital, Changchun, China.
Journal of thoracic disease
|October 29, 2025
概括
这项研究使用机器学习和多omics数据开发了肺平细胞癌 (LUSC) 的精确治疗策略. 最佳预后签名 (OPS) 有助于个性化LUSC治疗,并识别潜在的治疗药物.
科学领域:
- 在瘤学瘤学.
- 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:
- 肺状细胞癌 (LUSC) 由于其高恶性和不良预后, presents一个重要的临床挑战.
- 制定精确的治疗策略对于改善LUSC患者的治疗结果至关重要.
研究的目的:
- 通过将多omics数据与高级机器学习 (ML) 集成,为LUSC创建精确处理策略.
- 确定LUSC患者强大的预后特征和潜在的治疗点.
主要方法:
- 来自TCGA和其他队伍的综合多omics数据 (mRNA,lncRNA,突变,甲基化).
- 采用了10个集群算法来识别稳定的多omics共识集群 (CCs).
- 利用117个ML组合来构建早期和晚期LUSC的最佳预后签名 (OPS).
主要成果:
- 在LUSC中确定了两个不同的CC,CC1与预后不佳和攻击性特征相关.
- 开发了OPS用于早期LUSC (14个基因) 和高级LUSC (4个基因),性能优于现有的签名.
- 将OPS与癌症进展,瘤微环境变异联系起来,并确定了AZD6482和化等潜在药物.
结论:
- 开发了一种新的ML驱动的多omics方法,用于精确和个性化的LUSC治疗.
- 已确定的OPS和潜在的治疗剂为LUSC管理提供了新的途径.
更多相关视频
07:59Author Spotlight: Advancements in Molecular Biomarker Testing for Non-Squamous Non-Small Cell Lung Cancer
Published on: September 8, 2023
1.6K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
482
