【佳学基因检测】肿瘤分层分治的临床依据
肿瘤分层分治的临床依据基因检测：
肿瘤分层在癌症诊断和个体化治疗中起着重要作用。高通量测序技术的发展产生了大量的多组学数据，使得利用多个分子数据集对癌症类型进行分层成为可能。肿瘤正确治疗基因解码引入了一种通过整合多组学数据进行肿瘤分层的网络嵌入方法。该网络嵌入方法通过预分组样本、整合与每个分组内癌症类型相对应的基因特征和体细胞突变来构建患者特征，然后整合所有分组以获取全面的患者信息。基因特征包含网络拓扑信息，因为它通过网络嵌入方法整合了脱氧核糖核酸甲基化、信使核糖核酸表达数据和蛋白质相互作用。一方面，基因解码基因检测使用监督学习方法轻梯度提升机（Light Gradient Boosting Machine）基于患者特征进行癌症类型分类。与其他三种方法相比，网络嵌入方法在大多数癌症类型中具有贼高的AUC。对于分层癌症类型的平均AUC为0.91，表明通过网络嵌入方法提取的患者特征对于肿瘤分层是有效的。另一方面，利用无监督聚类算法密度聚类算法（Density-Based Spatial Clustering of Applications with Noise）将单一癌症亚型进行划分。通过网络嵌入方法分层的绝大多数亚型与患者的生存显著相关。
本文关键词
肿瘤分层分治,临床依据
肿瘤分层诊断研究进展
肿瘤与癌症发生的基因解码表明：癌症通常是由体细胞变异发生的多种因素导致的，这可以导致细胞异常调控和异常病变的形成。肿瘤组织与正常组织在细胞形态和组织结构上存在差异。良性肿瘤通常具有相对较低的异型性，与其起源的正常组织相似，而恶性肿瘤则具有相对较高的异型性。近年来，下一代测序技术的发展和多个多中心癌症外显子/基因组项目的发展，如癌症基因组图谱（TCGA）和国际癌症基因组联盟，提供了大量的组学数据，如基因表达数据、拷贝数变异、突变和脱氧核糖核酸（DNA）甲基化数据。因此，多组学肿瘤数据的快速积累为从多层面研究系统生物学带来了新的机遇和挑战。 将肿瘤分层为临床和生物亚型有利于正确肿瘤学。例如，基于熵的一致性聚类（ECC）方法将多个基本分区融合为一个一致性模型，使用基于熵的效用函数。重要的是，已经提出了许多基于多样化临床数据的癌症分类的数据驱动方法，如基于基因表达谱的乳腺癌预后多基因分类器，基于神经网络的结合临床信息（包括肿瘤大小和腋窝淋巴结状态）进行不同乳腺癌亚型生存预测，以及基于成像数据使用深度神经网络算法进行皮肤癌分类。 整合基因表达数据、miRNA表达数据和DNA甲基化数据等多平台分子数据可以有效地识别癌症亚型，已被证明比单一数据类型更强大。已提出多种策略用于整合多组数据。一种策略是在整合多组数据之前单独分析每种数据类型，但这种策略无法捕捉同源数据之间的关系。联合和个体变异解释可以同时捕捉多个数据之间和数据内部的关联信息，但对特征选择敏感。为了有效地提取隐藏在各种生物数据类型中的共享和互补信息，需要更系统和集成的方法。然而，生物分子网络在生物系统中具有许多不同层次和不同组织形式，已广泛应用于癌症研究。因此，基于网络的策略是分析和整合多组学数据的有效方法。 癌症体细胞突变谱可以整合到生物分子网络中。癌症进化可能受到癌症驱动基因中的体细胞突变的影响，这些突变会导致其他基因的改变。肿瘤基因解码提出了一种基于网络传播的网络分层（NBS）方法，通过聚集具有相似网络突变的患者来发现癌症亚型。假设是，如果2个肿瘤的突变基因位于相似的网络区域，则它们可能非常相似。肿瘤基因解码基因检测提出了一种基于网络嵌入的分层（NES）方法，用于从大量患者的体细胞突变谱中识别临床相关的患者类别。因此，肿瘤基因解码基因检测可以根据每个患者的体细胞突变谱和患者之间的相似性对肿瘤进行分层。
怎样进行肿瘤分层才能诊断正确？
癌症是由遗传和非遗传因素共同引起的多方面疾病。随着基因解码与人工智能技术的发展，多组学数据近年来已广泛应用于各种癌症类型。在基因解码基因检测的技术发展过程中，NESM通过整合与癌症类型相应的基因特征和体细胞突变谱构建患者特征。由于网络拓扑信息是通过网络嵌入方法整合DNA甲基化、mRNA表达数据和蛋白质相互作用而提取的，它被包含在基因特征中。肿瘤正确治疗基因解码应用监督分类算法对泛癌和个体癌症阶段进行分类。实验结果表明，NESM方法提取的患者特征对于肿瘤分层是有效的。在细分癌症亚型时，NESM方法识别的绝大多数亚型与患者的生存显著相关。NESM主要从网络拓扑中提取特征，这是大多数方法所不考虑的。
与其他方法相比，它可以更好地将癌症分类和细分为亚型，但仍存在一些局限性。例如，PPI网络的选择或构建可能对NESM模型产生影响。此外，体细胞突变的速率在不同肿瘤类型之间差异很大。某些肿瘤类型（如胃腺癌（STAD）、子宫内膜癌（UCEC）等）具有较高的突变率，而其他肿瘤类型（如直肠腺癌（READ）和乳腺癌（BRCA））具有较低的突变率。在当前的NESM框架中，肿瘤基因解码只整合与体细胞突变谱、DNA甲基化和mRNA表达数据相匹配的正常肿瘤样本。整合其他类型的组学数据，包括RNA测序、个体患者蛋白质组学和全基因组测序，可能进一步改善NESM模型。其次，该方法的框架是基于从特定数据集中提取的患者特征对患者进行聚类。该框架可以用于使用各种附加算法解决肿瘤分层问题。例如，我们可以使用图卷积神经网络提高预测正确性，并使用其他聚类算法，包括层次聚类和高斯混合模型聚类。在未来的工作中，这将为正确肿瘤学和临床应用提供一些线索。
肿瘤分子分层的科学依据：
(责任编辑：佳学基因)
