使用图形网络技术的放射性聚类与不平衡的最佳运输技术相结合
Jung Hun Oh1, Aditya Apte1, Harini Veeraraghavan1
1Department of Medical Physics, Memorial Sloan Kettering Cancer Center, New York, NY, USA.
Computational and structural biotechnology journal
|December 8, 2025
概括
这项研究引入了一种新的网络模型和集群算法,用于从头部和部状细胞癌 (HNSCC) 和非小细胞肺癌 (NSCLC) 的放射性数据中识别患者子组. 这些发现揭示了与生存结果和瘤免疫相互作用相关的独特放射型.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 高维的放射性数据集往往需要分组识别才能有效地应用机器学习.
- 有限的数据集大小给癌症研究中的传统机器学习方法带来了挑战.
研究的目的:
- 开发和验证一种用于识别癌症数据集中的放射性子组的新方法.
- 调查头部和部平细胞癌 (HNSCC) 和非小细胞肺癌 (NSCLC) 中确定的放射性型的预后价值和免疫细胞关联.
主要方法:
- 为了识别子网络,使用了具有扩展贝叶斯信息标准的规范化网络模型.
- 一个基于图形网络的k-means集群算法与不平衡的最佳运输被开发用于样本分组.
- 对已识别的子组进行了生存分析 (Kaplan-Meier) 和CIBERSORT分析,使用CT扫描和RNA-Seq数据的放射性特征.
主要成果:
- 拟议的方法确定了HNSCC中高风险和低风险组,显示了无进展生存率的显著差异 (p=0.0202).
- 在NSCLC中,不同的高风险和低风险组在整体存活率 (p=0.0007) 中存在显著差异.
- 在风险组之间观察到免疫细胞丰度的显著差异 (HNSCC中中性粒细胞;NSCLC中静止的树突细胞和激活的母细胞).
结论:
- 放射性特征可以有效地识别具有明显预后的放射性表型.
- 鉴定出的放射类型可能与不同的瘤免疫相互作用有关,为个性化癌症治疗策略提供了潜在的潜力.
更多相关视频
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
7.3K
07:28JUMPn: A Streamlined Application for Protein Co-Expression Clustering and Network Analysis in Proteomics
Published on: October 19, 2021
3.6K
