Brit J Cancer:一种新的预测前列腺癌患者结果的分层框架
2020-04-01 AlexYang MedSci原创
无监督学习方法,比如层序聚类分析,经常用于基因组平台数据分析。但是,上述方法忽略了前列腺癌样本的异质性组成情况。最近,有研究人员使用了更加复杂的分析方法去解卷前列腺癌转录组数据结构,并为该疾病提供新的
无监督学习方法,比如层序聚类分析,经常用于基因组平台数据分析。但是,上述方法忽略了前列腺癌样本的异质性组成情况。最近,有研究人员使用了更加复杂的分析方法去解卷前列腺癌转录组数据结构,并为该疾病提供新的临床有用的信息。
研究人员使用的是一种称为Latent Process Decomposition (LPD)的无监督模型,能够处理来自8个前列腺癌临床系列癌症样本基因组表达数据个体之间的遗传异质性,包括了1785个具有PSA失败和转移临床终点的恶性肿瘤样本。研究发现,PSA失败与DESNT表达特征有关(HR=1.52, 95%CI=[1.36, 1.7], P=9.0×10-14,Cox模型),具有DESNT明显特征的患者转移风险增加(X2 test, P=0.0017和P=0.0019)。另外,研究人员还开发了与DESNT结合的一个分层框架,并鉴定了3个新的前列腺癌分子亚型。
最后,研究人员指出,这些结果强调了使用复杂的方法分析基因组数据的重要性,并且有助于药物靶向治疗。另外,将DESNT与其他临床因子结合构建了诺模图用于临床管理。
原始出处:
Bogdan-Alexandru Luca, Vincent Moulton, Christopher Ellis et al. A novel stratification framework for predicting outcome in patients with prostate cancer. Brit J Cancer. 20 Mar 2020
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
前列腺癌相关研究,学习了,谢谢梅斯
59