多组学+机器学习+膀胱癌+分型+建模

图片

这是一个基于多组学+机器学习的分型建模文章,这里我们大概介绍一下,这篇文章做了啥

一、研究背景

1、尿路上皮癌是高度恶性的肿瘤,预后差,死亡率高

2、没有明显有效的治疗方法,多数患者在免疫治疗中无法受益,其原因可能是患者之间异质性

3、基于此,作者使用多组学数据与机器学习方法进行分析,以识别生物标志物,能够有效的改善患者预后,和免疫治疗的效果

过程:TCGA(mRNA+lncRNA+miRNA+甲基化)多组织整合构建分子亚型,并通过差异分析筛选预后相关的32个基因,通过10种机器学习的算法构建预后模型

二、数据准备

TCGA+IMvigor210+GEO(GSE13507,GSE31684,GSE32548,GSE32894,GSE48075,GSE48276)+ E-MTAB-1803的数据集(本文做的是膀胱癌,所以可以以IMvigor210作为训练集,大家在做的时候,需要注意,训练集样本量多)

三、方法和结果展示

分析流程

图片

1、多组学共识MUC预后相关分子亚型的构建

通过合并几套数据集,去批次,通过PCA查看去批次前后的各个数据集之间的分布

图片

通过MOVICS包对mRNA+lncRNA+miRNA+甲基化进行聚类,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(或突变频率最高的1500个基因),依次为特征,使用包中getMOIC函数中流程化的10种聚类算法: iClusterBayes, moCluster, CIMLR, IntNMF, ConsensusClustering, COCA, NEMO, PINSPlus, SNF和LRA,根据先前的研究指定将患者分为三型,获得每种算法的分型结果后,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)。图A是整合分型在多组学中的分型效果,图B展示了CSs以及10种分型的结果,图C的相关性热图也展示了各亚型内的相似性以及亚型间的不相关性,图D的KM曲线说明基于多组学和多模型构建的分型能够准确对患者预后进行分层。

图片

2、分子亚型之间功能的注释+免疫特征(分子景观)

通过收集一些关键的特征基因集(比如作者收集的与治疗反应相关以及膀胱癌相关的signature),通过ssGSEA的算法对三个亚型进行注释,结果发现CS2可能更倾向于目前公认的管腔样亚型,而CS3可能更倾向于基底样亚型(这个需要一定的背景去判断)。

接着分析了3个亚型在癌症染色质重塑相关的潜在调节因子和23个转录因子之间差异。进一步说明构建的CSs分型与染色质重塑相关

不同分子亚型关于免游已检查点,免疫浸润等等差异

图片

三个亚型之间进行了差异分析,选择了每一个亚型的 top20 个上调的基因作为特征绘制基因表达热图(图D),通过这20个基因作为一个分类器,对验证集分型,并绘制KM曲线(E),通过这20个基因的分类器使用NTP的算法构建计算分类的准确性。

图片

3、机器学习构建预后模型CMLS

基于10种机器学习组合算法对三个队列筛选特征基因构建风险模型(这里选择前面前面使用的各个亚型的top20的基因进行分析,可以在分析之前加入单因素cox分析),筛选出关键基因后,可以选择多因素计算系数建模,当然也可以通过Logistic回归方建模,单因素cox,多因素cox展示关键的预后情况,KM曲线

图片

4、CMLS与其他已经发表的模型做对比

在不同的数据集中比较作者筛选的特征基因构建的模型的c-index

图片

为了进一步说明模型的实用性,作者基于CMLS构建了诺莫图。校准曲线证明(图E),列线图的精度与实际情况相一致。决策曲线分析(DCA)显示,列线图对患者的临床获益明显高于单独使用CMLS(图F, G),且时间依赖的c指数进一步证明了列线图具有更好的预测性能(图H)

图片

5、CMLS 的免疫

TME相关的分析预测免疫评分,并比较高低组之间的差异

图片

ssGSEA分析,预测特征基因集的评分,并比较高低组之间的差异

图片

TMB+TNB(TCIA下载)的比较,巨噬细胞浸润相关性和比较,KM曲线

图片

6、CMLS 对免疫疗法反应预测能力

对IMvigor-210队列,作者评估了治疗 3 个月后患者的长期生存期差异,发现低分组显示出更好的预后效果(图A,B),图C表明在有反应组的CMLS得分低于无反应组。图D是基于TIP算法评估的抗肿瘤免疫7步骤活性在两组间的差异

图片

使用TIDE算法预测了免疫治疗反应(图E),高低CMLS组间有反应和无反应患者的比例,submap算法评估CMLS分组与抗PD1以及CTLA4疗效反应分组的一致性

图片

CMLS在另外三个免疫治疗队列中预测预后效能的评估,同样发现低CMLS的疗效可能更好。

图片

7、筛选潜在的治疗药物

GSEA富集分析发现高CMLS组患者的血管生成、EMT、缺氧等通路被明显激活,CTRP+PRISM(CCLE)计算药物的敏感性

图片

小结:

1、这篇文章使用一种新的聚类的方法构建分子亚型,并纳入和mRNA,miRNA,lncRNA,甲基化数据特征进行聚类,多组学分析,让整个结果更加准确

2、模型验证中纳入了NTP,我们网站之前使用的NTP的算法,基本上是通过两两进行对比,而在这次分析中,使用三种的亚型的敏感性比较,值得借鉴,但是原文筛选特征的基因的方法是使用差异基因做的。后面我们会对NTP的工具进行更新

3、多种机器学习的方法构建风险模型,做了两次模型的比较,第一次是机器学习算法的比较,第二次是与之前研究筛选到的特征基因进行比较,进一步突出作者筛选的特征基因,更具有研究价值

4、模型对于免疫治疗的具有非常好的预测作用

5、模型潜在治疗的药物的筛选

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/3578.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

selenium显式等待

selenium显示等待 确保页面元素在特定条件下加载完毕后再执行后续操作。显示等待可以通过WebDriverWait类和ExpectedConditions类来实现。通过使用显示等待,可以避免在页面元素还未加载完毕时就进行操作,从而提高测试的稳定性和可靠性。 # 导包 from s…

SpringBoot Filter过滤器的使用篇

Filter生命周期 程序启动调用Filter的init()方法(永远只调用一次);程序停止调用Filter的destroy()方法(永远只调用一次);doFilter()方法每次的访问请求如果符合拦截条件都会调用(程序第一次运行,会在servlet调用init()方法以后调用&#xff…

【基于YOLOv8的教室人脸识别 附源码 数据集】

基于YOLOv8的教室人脸识别 附源码 数据集 在当今数字化迅速发展的教育领域中,人脸识别技术已成为提高校园安全和教学效率的关键工具。本文将详细介绍基于最新YOLOv8算法的教室人脸识别系统,这一系统不仅能够实时准确地识别学生和教职工的面部特征&#…

1小时学会SpringBoot3+Vue3前后端分离开发

首发于Enaium的个人博客 引言 大家可能刚学会Java和Vue之后都会想下一步是什么?那么就先把SpringBoot和Vue结合起来,做一个前后端分离的项目吧。 准备工作 首先你需要懂得Java和Vue的基础知识,环境这里就不多说了,直接开始。 …

switch语句深讲

一。功能 1.选择,由case N:完成 2.switch语句本身没有分支功能,分支功能由break完成 二。注意 1.switch语句如果不加break,在一次判断成功后会执行下面全部语句并跳过判断 2.switch的参数必须是整形或者是计算结果为整形的表达式,浮点数会…

JSON Web Tokens攻击漏洞手法

身份验证和授权是任何应用程序的关键组件。人们已经开发了各种标准和框架来促进此类组件的开发并使应用程序更加安全。其中,JSON Web Tokens (JWT) 多年来已成为流行的选择。 JSON Web 令牌是一种开放的行业标准 RFC 7519 方法,用于在两方之间安全地发送…

手机拍照打印出的黑乎乎

1)新建word——插入图片——双击图片,在顶部菜单栏中找到校正,选择其中最清晰的图片。 2)选中图片——图片另存为。 3)自带画图工具打开,ctrla全选——鼠标移动图片,将不需要的边边角角剪切掉。…

科普童话新课堂杂志社科普童话新课堂编辑部2024年第16期目录

作品选 封2,封3-封4 探索新知《科普童话》投稿:cn7kantougao163.com 泱泱国之风 悠悠诗之情 沈灿宇1-3 试论"文化意识"视角下的高中英语阅读教学 董娜4-6 立足小组合作探究优化写作能力培养 时同祥7-9 以"导"促学:全面提升学生的文学核心素养 吴…

平抑风电波动的电-氢混合储能容量优化配置

这篇论文中的EMD分解法在非线性扰动信号分解上优于小波分解法,EMD分解出来的imf各频次信号,继而利用C2F实现信号重构,根据最大波动量限值剔除出需要储能平抑的波动量,继而用超级电容实现平抑(论文中用的碱水电解槽+燃料电池我认为有很多个点可以佐证不合适,但是电制氢是热…

【C++风云录】粒子魔法大全:打造惊艳视觉效果的工具和引擎

从闪光到爆炸:深入了解粒子系统和特效工具 前言 本文将介绍多种用于创建粒子系统和特效的软件开发工具和引擎。这些工具涵盖了从基础到高级的应用,有助于开发人员实现各种视觉效果。 欢迎订阅专栏:C风云录 文章目录 从闪光到爆炸&#xff…

Redis 的持久化机制有哪些??

一、背景: 持久化,就是将数据存入到磁盘中去的过程。虽然redis是基于内存运行的服务,但是也需要做持久化操作的。 二、redis服务等持久化机制流程: Redis是基于内存的非关系型K-V数据库,既然它是基于内存的&#xff0c…

某互联网公司c++笔试题1

1. 画多重继承虚函数表 注:虚函数表是一种编译时构建的数据结构,它用于在运行时解析对虚函数的调用,是一个存储类成员函数指针的数组。每个拥有虚函数的类都有一个对应的虚函数表。当类对象创建时,对象中会包含一个指向相应虚函数…

AI作画算法原理详解:从数据到艺术的自动化之旅

AI作画算法原理详解:从数据到艺术的自动化之旅 在数字化时代,人工智能(AI)技术正逐步渗透到各个领域,其中AI作画技术更是引发了广泛关注。本文将详细解析AI作画算法的原理,带领读者了解从数据收集与处理到…

c# winform 控件皮肤

控件皮肤下载: https://download.csdn.net/download/m0_46973223/89225992 步骤: 第一步 将IrisSkin4.dll文件放在debug文件下,选一个或者多个后缀名为.ssk文件(各个皮肤文件)放在debug文件下。 第二步 解决方案资…

ocr、人工智能、文字识别接口

人工智能这个词近几年热度颇高,工业上有人称之为“机器代工”,生活中有人称之为“物联网”,而所体现出来的就是智能化,减少人工参与。翔云公有云平台应运而生,提供的OCR API及实名认证API使产品智能化,自动…

华为OD机试真题-剩余银饰的重量-2024年OD统一考试(C卷D卷)

题目描述: 有N块二手市场收集的银饰,每块银饰的重量都是正整数,收集到的银饰会被熔化用于打造新的饰品。 每一回合,从中选出三块 最重的 银饰,然后一起熔掉。假设银饰的重量分别为 x 、y和z,且 x <= y <= z。那么熔掉的可能结果如下: 如果 x == y == z,那么三块银…

全额退款20000,what?

接单的时候有多兴奋&#xff0c;退单的时候就有多落寞。今天我对客户全额退款了&#xff0c;跟踪了10天的项目正式结束。 这是我接单以来项目单价最高的一个项目&#xff0c;本来不太想接的&#xff0c;因为业务领域不擅长&#xff0c;又想挑战一下。兜兜转转找了几个人因为各种…

使用 Python 将 GB2312 和 UTF8 编码的文件转换为带标记的 UTF8 编码

1. 版本、依赖要求 Python 版本要求&#xff1a;Python > 3.6即可 需要安装的包&#xff08;建议使用 conda、miniconda 等 python 环境管理器创建一个 python 环境后运行 chardettkinter 2. 实现功能 对某一文件夹及其子文件夹下的所有txt文件&#xff0c;将原编码为g…

git分支更新

git分支更新 场景&#xff1a; 在本地创建了一个新的分支 test_20240426 后&#xff0c;远端分支更新了内容&#xff0c;需要更新本地的 master 分支和新创建的 test_20240426 分支。 步骤&#xff1a; 更新 master 分支 首先&#xff0c;切换到 master 分支&#xff1a;git …

Neo-reGeorg明文流量

Neo-reGeorg 1 同IP对&#xff0c;同一个URI&#xff0c;第一个TCP流是“GET”请求&#xff0c;随后的TCP流请求为“POST”。&#xff08;jsp\jspx\php&#xff09; 2 第一个TCP流中&#xff0c;GET只有一个会话。&#xff08;jsp\jspx\php&#xff09;&#xff0c;响应body79…