深度学习和多组学揭示了与细胞死亡相关的诊断特征和胃癌的预后生物标志物

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 分子生物学分子生物学

背景情况:

• 胃癌 (GC) 呈现出显著的分子和临床异质性,使治疗策略复杂化.
• 目前的分子分类不足以开发个性化疗法,需要改进的诊断和预后工具.

研究的目的:

• 通过使用集成的多omics数据,系统地描述GC中的 pyroptosis,apoptosis 和 necroptosis (PAN) 途径.
• 为GC开发高分辨率的分子亚型和基于深度学习的预后签名.
• 为了确定潜在的治疗点和药物候选人用于GC治疗.

主要方法:

• 批量,单细胞和空间转录组数据的综合分析.
• 开发基于分数的集群框架,使用机器学习进行分子亚型化.
• 应用混合CNN+BiLSTM深度学习模型进行分类和特征提取.
• 使用TCGA队列,人类蛋白质图谱 (HPA) 和RT-qPCR的验证.

主要成果:

• 基于PAN通路活性识别不同的GC分子亚型.
• 一个九基因的预后签名显示出对患者生存的强有力的预测价值.
• 亚型2呈现出良好的预后;高风险患者表现出增加的免疫透和对AKT抑制剂的潜在敏感性.
• 实验验证证了关键基因 (CFLAR,TNFSF13B,PDK4) 和预后标记物的表达模式.

结论:

• 该研究为GC亚型和预后提供了一个强大的多学科和深度学习框架.
• 已识别的分子亚型和预后特征为个性化GC疗法提供了有价值的生物标志物.
• 这些发现突出了潜在的治疗策略,包括准AKT途径和利用已识别的候选药物.