甲基单细胞地图和xQTL后GWAS分析揭示了甲状腺癌的致病特征,用于向治疗:一项多omics研究
Cong Zhang1, Yu Wang2,3,4,5, Biao Xie6,7
1Department of Health Statistics, School of Public Health, Chongqing Medical University, Yixue Road, Chongqing, 400016, China.
Cancer gene therapy
|November 17, 2025
概括
这项研究整合了多种omics数据来揭示甲状腺癌 (TC) 病原体,识别了像HMGA2和免疫亚型这样的关键基因. 机器学习模型实现了高诊断准确度,有助于临床决策.
科学领域:
- 内分泌学 在内分泌学.
- 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:
- 甲状腺癌 (TC) 发病率正在上升,需要更深入地了解其发病因子,以改善诊断和治疗方法.
- 代谢异常是这种内分泌恶性瘤的特征,凸显了对综合分子洞察的需求.
研究的目的:
- 使用集成的单细胞转录组学,批量转录组学和GWAS数据,识别与甲状腺癌的因果遗传关联.
- 描述恶性细胞,探索瘤免疫微环境,并开发甲状腺癌的预测诊断模型.
主要方法:
- 单细胞和批量转录组学与全基因组关联研究 (GWAS) 数据的整合.
- 利用基于摘要的门德尔随机化 (SMR) 发现与甲状腺癌相关的因果遗传位置.
- 采用机器学习算法用于诊断模型构建,并开发了用于预测的交互式Web应用程序.
主要成果:
- 鉴定了七个基因 (HMGA2,SDCCAG8,DLG5,MT1E,RABL2B,RERE,NDUFA12) 参与甲状腺癌的发展,其中HMGA2显示出一致的意义.
- 发现了与甲状腺癌相关的免疫亚型,并使用T_cell_C8_STMN1标记器开发了诊断模型.
- 通过glmBoost+RF机器学习模型实现了高诊断性能 (平均AUPR:0.9915).
结论:
- 这项研究通过多omics集成提供了对甲状腺癌病原发生的新见解.
- 确定了关键基因和免疫亚型,这些基因对甲状腺癌的发展和进展至关重要.
- 开发了一种高性能诊断模型和Web应用程序,以帮助临床人员在甲状腺癌管理中.
