多维omics集成机器学习框架识别了巨细胞纤维细胞瘤共同透模式,以预测胃癌的预后
1Department of Oncology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
NPJ digital medicine
|December 8, 2025
概括
这项研究揭示了胃癌 (GC) 中癌细胞,纤维细胞和巨细胞的特定空间模式. 这一发现被称为胃发现,有助于理解瘤微环境的复杂性和患者分层.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 胃癌 (GC) 是复杂的和耐治疗的,特别是腹膜转移.
- 了解GC的空间异质性对于开发有效的治疗方法至关重要.
- 像机器学习这样的最新技术为模式发现提供了新的途径.
研究的目的:
- 在胃癌组织中识别不同的细胞和空间模式.
- 阐明推动这些空间相互作用的细胞和分子机制.
- 开发一种机器学习工具,用于识别特定的共同透模式.
主要方法:
- 空间转录组学分析以确定GC组织.
- 多重复合免疫光用于验证细胞相互作用.
- 单细胞RNA (sc-RNA) 和大量RNA测序集成.
- 用于信号通路识别的NicheNet分析.
- 转移学习使用ResNet-50模型用于机器学习框架开发.
主要成果:
- 确定了一个独特的利基,其特点是纤维细胞,巨细胞和瘤细胞的共同透.
- DAB2+与瘤相关的巨细胞 (TAMs) 和ACTA2+骨髓系衍生癌症相关纤维细胞 (myCAFs) 是主要的贡献者.
- 发现PLAU-PLAUR信号轴调节了这些细胞类型之间的通信.
- 一个机器学习模型 - - 胃发现 (Gastric-Discovery) 已经开发出来,以识别这种共同透模式.
结论:
- 确定的空间共同透模式在胃癌中具有预后价值.
- 胃发现为精确的患者分层提供了一个潜在的工具.
- 这项研究为瘤微环境的动态架构提供了新的见解.
