
如果您对骨科疾病生信临床研究感兴趣,请为小骨点点关注,持续解读骨科前沿生信文献和思路。如果您需要定制化服务,欢迎扫码联系小骨~
文章标题:Integrated multiomics analysis and machine learning refine molecular subtypes and prognosis for muscle- invasive urothelial cancer
中文标题:多组学分析与机器学习相结合提高肌肉浸润性尿路上皮癌的亚型分析及预后
发表期刊:Molecular Therapy: Nucleic Acids
发表时间:2023年6月
影响因子:8.8/Q1
研究目的
肌浸润性尿路上皮癌(MUC)具有高侵袭性和显著的异质性,目前缺乏高度精确的个体化治疗方案。考虑到与免疫治疗相关的巨额成本以及发生严重不良反应的可能性,迫切需要利用大规模多组学数据和先进的机器学习算法来识别能够促进 MUC 患者有效结果预测和免疫治疗管理的生物标志物。
研究方法
本研究结合了mRNA、长链非编码RNA(lncRNA)和microRNA(miRNA)表达谱、基因组突变和表观基因组DNA甲基化数据,使用10种多组学整合策略开发了MUC的整合共识亚型。随后,作者根据亚型之间的差异表达分析,确定了32个稳定的预后相关基因(SPRG),并采用10种机器学习算法来构建共识机器学习驱动基因(CMLS)。最后,在训练和验证队列中,CMLS表现出显著的预后价值,同时在预测免疫疗法和药物疗法的反应方面表现出强大的性能。对多组学数据的综合分析可以提供重要的见解,并进一步细化MUC的分子分类。
研究结果
1.多组学筛选MUC预后相关的分子亚型
作者通过MOVICS包对公共数据集中的mRNA+lncRNA+miRNA+甲基化等数据进行聚类,使用包中的getElites函数筛选出各组学中变化最大的前1500个基因后,使用getMOIC函数中流程化的10种聚类算法,将患者分为三型;使用getConsensusMOIC函数整合10种分型的结果并最终生成一种稳健的分型(以下称为CSs)。
应用ssGSEA算法测量了样本中不同分子特征的富集程度,结果表明CS2可能更倾向于当前认可的luminal-like亚型,而CS3更倾向于basal-like亚型,并分析了与癌症染色质重塑和MUC的23个转录因子(TFs)相关的潜在调控因子,且量化了微环境细胞的浸润水平,显示CS1和CS3中的免疫细胞浸润显著增加,而CS2相对较低。
应用单变量Cox从共识基因IMvigor-MUC队列、TCGA-MUC和META-MUC中筛选出与总生存期(OS)显著相关的32个SPRGs,并将其纳入集成框架构建预后模型(CMLS)。在IMvigor-MUC训练队列中,基于99个算法组合构建了一致的模型,并计算了所有模型在所有队列中的平均C指数,以评估所有模型的预测能力(图3A)。结果将CoxBoost算法确定为了最有价值的SPRGs,逐步Cox算法筛选了最有价值的模型,该模型由12个枢纽基因构成。
文章小结
该研究通过整合多组学数据和先进的计算算法,为MUC患者的早期诊断和精准治疗提供了基础。如果您对生信分析和公共数据库挖掘感兴趣,但时间和精力有限或者缺乏相关经验,小骨非常乐意为您提供如下服务:免费思路评估、付费方案设计和生信分析等,有意向的老师欢迎联系小骨哦!