基因形态调整通过图形受约束的潜伏建模来进行分子亚型预测从胰腺癌中的组织病理学

科学领域:

• 计算生物学是一种计算生物学.
• 数字病理学数字病理学
• 癌症基因组学 癌症基因组学

背景情况:

• 癌症的分子亚型传统上依赖于转录基因数据,但测序成本限制了临床应用.
• 组织病理学提供了丰富的形态数据,与分子状态相关,但缺乏与基因表达的直接联系.
• 桥梁形态和基因层次表示对于可访问的精确瘤学至关重要.

研究的目的:

• 开发一个计算框架,使组织病理学形态与分子亚型保持一致.
• 为了使癌症亚型仅使用常规组织病理学幻灯片,绕过基因测序.
• 为更广泛的临床实用性创建一个"虚拟转录学"方法.

主要方法:

• 开发了一个图形受约束的学习框架,将形态学衍生信号与基因网络联系起来.
• 层次的蒙特卡洛查发现了一个数据驱动的基因网络.
• 随机抽样获得了基因组用于分类,使用协同表达网络来强制基于形态学的学习,而没有基因表达数据.

主要成果:

• 该模型仅使用形态学成功预测了胰腺癌亚型 (莫菲特分类).
• 在PANCAN和TCGA数据集中实现了亚型预测的85%AUC.
• 证明基于形态学的预测,由基因网络结构指导,产生高精度.

结论:

• 这个框架通过从基因病理学中获得分子见解来建立虚拟转录学.
• 它绕过了基因测序的需要,潜在地扩大了精确瘤学访问.
• 该方法提供了一种具有成本效益和可访问的癌症亚型识别方法.