综合生物信息分析和机器学习开发了一种基于线粒体功能的预后模型,用于急性髓性白血病
Xingbiao Chen1,2, Weijun Ling3, Zhehan Yang1,2
1Department of Hematology, Guangdong Provincial Key Laboratory of Major Obstetric Diseases, Guangdong Provincial Clinical Research Center for Obstetrics and Gynecology, The Third Affiliated Hospital, Guangzhou Medical University, Guangzhou, China.
Frontiers in immunology
|November 10, 2025
概括
使用机器学习和线粒体基因表达开发的新型MitoScore有效地分层了急性髓性白血病 (AML) 患者. 这一分数预测了预后,并确定了潜在的治疗点,有助于为AML制定个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 急性髓性白血病 (AML) 是一个重大的全球健康挑战.
- 线粒体在癌症发育中至关重要,影响能量,生物合成和信号传递.
- 线粒体功能在AML中的预后和治疗作用需要进一步探索.
研究的目的:
- 确定与AML预后相关的关键线粒体基因.
- 开发一个AML风险分层的预测模型.
- 研究线粒体基因对AML免疫细胞的影响.
主要方法:
- 集成的线粒体基因表达与大量RNA测序.
- 采用了14个机器学习算法来识别预测基因组合.
- 开发了一个MitoScore和一个包含临床变量的nomogram.
主要成果:
- MitoScore有效地将AML样本分为低风险和高风险组.
- 高风险组的预后更差,免疫相关途径更丰富,突变频率更高.
- 在T细胞子集和AML发育阶段观察到特定的线粒体基因表达模式.
结论:
- MitoScore框架为AML预后评估提供了一个强大的工具.
- MitoScore为急性髓性白血病患者提供了个性化治疗计划.
- 突出了针对线粒体功能进行AML治疗的潜力.
更多相关视频
08:33Author Spotlight: An Optimized Automated Method for Investigating Retinoic Acid Receptors in Neuronal Mitochondria
Published on: July 28, 2023
946
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K