Drug sensitivity prediction from cell line-based pharmacogenomics data: guidelines for developing machine learning models
于细胞系的药物基因组学数据的药物敏感性预测: 机器学习模型开发指南
Drug sensitivity prediction from cell line-based pharmacogenomics data: guidelines for developing machine learning models | Briefings in Bioinformatics | Oxford Academic (oup.com)
精确肿瘤学的目标是使用肿瘤的基因组图谱为患者个体量身定制治疗。像癌细胞系这样的药物基因组学数据集是药物敏感性预测最有价值的资源之一，而药物敏感性预测是精确肿瘤学的一项关键任务。机器学习方法已被用来预测药物敏感性的基础上，多组学数据可用于大面积的癌细胞系。然而，对于如何正确地训练和验证这些用于药物敏感性预测的机器学习模型，目前还没有全面的指导方针。在本文中，我们介绍了一套准则，为不同方面的训练基于基因表达的预测使用细胞系数据集。这些指南提供了广泛的药物敏感性预测泛化分析，并挑战许多当前的做法在社区，包括选择培训数据集和药物敏感性的措施。这些指南在未来的研究中的应用将使更强大的临床前生物标志物的开发成为可能。
CAMOIP: a web server for comprehensive analysis on multi-omics of immunotherapy in pan-cancer
免疫检查点抑制剂完全改变了肿瘤诊断和治疗的方法。同样，免疫疗法也提供了急需的关于突变、表达和预后的数据，为发现候选药物靶标和筛选与免疫疗法相关的生物标志物提供了前所未有的机会。虽然现有的网络工具使生物学家能够分析肿瘤的表达、突变和预后数据，但是他们目前无法促进数据挖掘和机制分析，特别是与免疫治疗有关的。因此，我们有效地开发了自己的网络工具，称为泛癌免疫治疗多组学综合分析(CAMOIP) ，在这个工具中，我们能够成功地筛选各种预后标志物，分析与生物标志物表达和功能有关的机制，以及免疫治疗。分析内容包括生存分析、表达分析、突变景观分析、免疫渗透分析、免疫原性分析和途径富集分析。这种免疫治疗的生物标志物的综合分析可以通过点击 CAMOIP 进行，该软件将极大地鼓励免疫治疗的进一步发展。CAMOIP 提供了宝贵的证据，在基于免疫疗法的癌症基因组学数据之间架起了信息桥梁，为用户提供了全面的信息，并协助使所有用户都能获得目前经过临床试验评价的数据的价值。可以在 https://www.CAMOIP.net 网站上找到
Proteogenomic characterization identifies clinically relevant subgroups of intrahepatic cholangiocarcinoma
蛋白基因组角色塑造识别肝内胆管癌的临床相关亚群
我们使用262例患者的成对肿瘤和邻近肝组织进行了肝内胆管癌蛋白基因组学检测。综合蛋白基因组分析优先考虑基因异常，并揭示 iCCA 发病机制的标志。黄曲霉毒素信号与肿瘤的发生、增殖和免疫抑制有关。突变相关的信号通路显示 tp53和 KRAS 共突变可能通过整合素 -fak-src 途径参与 iCCA 转移。Fgfr2融合激活 Rho GTPase 通路，可能是新抗原的潜在来源。蛋白质组分析鉴定了四个患者亚群(S1-S4)与亚群特异性生物标志物。这些蛋白质组亚组在预后、基因改变、微环境失调、肿瘤微生物群组成和潜在治疗方法等方面具有明显的特点。Slc16a3和 hkdc1进一步被鉴定为与 iCCA 细胞代谢重编程有关的潜在预后标志物。本研究为进一步确定 iCCA 的分子致病机制和治疗时机提供了有价值的资源。
评语：涵盖各种测序分析
网友评论