对小鼠乳腺瘤的转录组分析使得人类乳腺癌的预后和预测生物标志物发现成为可能

科学领域:

• 在瘤学瘤学.
• 翻译研究是翻译研究.
• 计算生物学 计算生物学

背景情况:

• 开发乳腺癌的预后和预测生物标记因有限的数据集阻碍了将瘤分子特征与治疗结果联系起来.
• 需要有良好的注释数据集来推进乳腺癌研究和生物标志物验证.

研究的目的:

• 为了生成一个广泛的小鼠乳腺瘤模型数据集来预测生存率和治疗反应.
• 建立一个资源,用于对生存预测的计算方法进行基准测试.

主要方法:

• 产生了26个具有免疫能力的小鼠乳腺瘤模型,具有不同的遗传背景和免疫微环境.
• 测量无治疗,免疫检查点抑制 (ICI) 和化疗 (碳白/帕克利塔塞尔) 的生存时间.
• 在基线和7天治疗样本上进行RNA测序;训练有素的机器学习模型 (弹性网,XGBoost,随机森林,支持向量回归) 用于生存和治疗响应预测.

主要成果:

• 一个机器学习的Elastic Net模型训练了小鼠瘤基因表达,预测了人类乳腺癌数据集中的生存率.
• 对ICI的模型在人类数据集中有利于预测反应,对7天治疗的模型表现更好.
• 一种化疗反应预测剂在小鼠中表现良好,但在人类队伍中表现不佳.
• 弹性网在测试的计算方法中表现出最佳的性能和可解释性.

结论:

• 鼠标和人类瘤在预后和ICI反应预测方面表现出保存的生物学.
• 产生的临床前数据集是开发和验证预后和治疗反应生物标志物的宝贵资源.
• 这项研究强调了小鼠模型和机器学习在促进乳腺癌研究中的实用性.