通过整合路径拓和转录组数据来预测跨癌症类型的GD2表达
Arsenij Ustjanzew1,2,3, Federico Marini1,2,4, Saskia Wagner5
1Institute of Medical Biostatistics, Epidemiology and Informatics (IMBEI), University Medical Center of the Johannes Gutenberg-University Mainz, Mainz, Germany.
Frontiers in bioinformatics
|December 22, 2025
概括
我们开发了一种计算方法,使用转录组数据预测癌症中的disialoganglioside GD2表达. 这种工具有助于识别GD2向治疗的患者,并发现新的癌症生物标志物.
科学领域:
- 计算生物学是一种计算生物学.
- 癌症研究 癌症研究
- 系统生物学 系统生物学
背景情况:
- 滴立方格化物GD2是有前途的癌症治疗点,因为它在各种癌症中过度表达.
- 对GD2表达的实验评估具有挑战性,并且不是常规进行的.
- 准确预测GD2表达对于临床试验中患者分层至关重要.
研究的目的:
- 开发一个计算框架,从转录数据中预测GD2表达式.
- 为了将甘氨酸脂生物合成途径与反应活性评分相结合.
- 为临床应用创建GD2表达的强大和可解释的预测器.
主要方法:
- 从转录组数据和加权的葡萄糖脂生物合成途径获得的计算反应活性得分.
- 利用基于拓的过渡概率来解释酶乱交.
- 采用支持矢量机 (SVM) 累积反应活动来建模GD2表达,通过独立数据集和流细胞计验证.
- 综合拷贝数改变 (CNA) 数据以识别基因组生物标志物.
主要成果:
- 通过线性内核SVM实现了0.80平衡精度,超过了两基因签名.
- 在六个独立的RNA-seq数据集中证明了可靠的可转移性,捕捉了亚型特定的异质性.
- 在脏清细胞肉瘤中实验证实高GD2表达.
- 确定了B4GALNT1放大作为GD2促进因子在非分化脂肪肉瘤.
- 开发了GD2Viz,这是一个R包,包含一个用于用户数据分析的交互式Shiny应用程序.
结论:
- 计算框架提供了GD2表达的强大,可解释和生物学基础的预测器.
- 这种方法比现有的基于基因的签名提供了更好的一致性和临床解释性.
- 该工具可以帮助优先考虑高GD2水平的瘤,划分患者亚组,并支持GD2导向临床试验的患者分层.
