机器学习驱动的细胞外囊泡 皮体力学 精确分类子宫内膜癌

科学领域:

• 在瘤学瘤学.
• 生物化学 生物化学
• 计算生物学 计算生物学

背景情况:

• 子宫内膜癌 (EC) 的分子亚型对患者的结果至关重要,但目前依赖于侵入性活检和缓慢的基因组分析.
• 现有的EC诊断和亚型化方法由于其侵入性和漫长的处理时间而面临重大挑战.

研究的目的:

• 开发一个最小侵入性,高吞吐量和成本效益的平台,用于子宫内膜癌查和分子亚型.
• 整合血细胞外囊泡 (EV) 体概况与机器学习,以改善EC管理.

主要方法:

• 从EC患者和对照者的血中分离EVs.
• 使用MALDI-TOF质谱学和LC-MS/MS进行体样本分析.
• 开发用于EC检测和分子亚型 (POLE突变,NSMP,MMRd,P53-异常) 的机器学习模型.

主要成果:

• 一个机器学习模型在使用MALDI-TOF MS特征,CA125,HE4和临床数据来区分EC与对照时获得了0.867的AUC.
• 分子亚型的多分类模型显示出高性能,微/宏平均AUC为0.91/0.90.
• LC-MS/MS确定了7,479个,其中FGA,PRSS3和APOA1被确定为关键的亚型特定生物标志物.

结论:

• 这项研究为子宫内膜癌查和分子亚型定位建立了一个新的,最少侵入性的平台.
• 电子瘤学和机器学习的综合方法为EC的精密瘤学提供了具有成本效益和快速的解决方案.
• 这种方法有可能通过弥合诊断中的翻译差距来显著改善EC管理.