在乳腺癌中识别和验证精细的CAF相关诊断签名
Xin Zhou1, Na Wang2, Ling Shi2
1Department of Breast and Thyroid Surgery, Zibo Maternal and Child Health Hospital, Zibo, Shandong, China.
Scientific reports
|January 14, 2026
概括
研究人员使用机器学习确定了FXYD1,SULF1和TNXB作为乳腺癌关键生物标志物. 这一发现增强了对癌症相关纤维细胞 (CAFs) 的理解,并有助于开发乳腺癌的精确诊断和治疗策略.
科学领域:
- 在瘤学瘤学.
- 生物标志物发现发现
- 计算生物学 计算生物学
背景情况:
- 乳腺癌对全球健康造成重大负担,瘤微环境的组成部分,如与癌症相关的纤维细胞 (CAFs),影响了癌症的进展.
- 对CAF异质性的有限理解阻碍了有效的乳腺癌诊断和治疗.
研究的目的:
- 识别和验证乳腺癌中CAFs的新型标记基因.
- 开发基于机器学习的诊断模型,以改善乳腺癌检测和治疗策略.
- 调查CAF的异质性,并预测在不同的CAF子集中的药物敏感性.
主要方法:
- 机器学习算法 (包括随机森林) 用于识别CAF相关的特征基因.
- 使用单细胞分析来探索CAF的异质性,并预测药物反应.
- 免疫组织化学 (IHC) 实验验证实了已识别的生物标志物基因的表达.
主要成果:
- 确定了FXYD1,SULF1和TNXB作为乳腺癌中CAFs的精细生物标志物.
- 随机森林算法证明了对分类的高准确性和稳定性.
- 单细胞分析显示了Luminal和非Luminal乳腺癌之间的CAF异质性,在CAF子集中观察到不同的药物敏感性.
- IHC证实乳腺癌中没有FXYD1,乳腺癌纤维细胞中SULF1上调,TNXB表达没有显著变化.
结论:
- FXYD1,SULF1和TNXB在乳腺癌的发展中起着至关重要的作用,并表现出CAF异质性.
- 这些发现为早期和精确的乳腺癌诊断和个性化治疗策略提供了新的视角和理论基础.
