微信直播

AME 作者面对面丨中山大学附属第一医院:基于非监督聚类分析的前列腺癌分子新亚型

Published at: 2015年第1卷第S1期

AME
关键词:

编者按: “AME 作者面对面” 是微信公众号 “AME科研时间” 的特色专栏。编辑部精心挑选了发表在 AME 旗下杂志的优秀论著,诚邀作者总结亮点,分享研究成果,旨在进一步推动医学同行之间的交流和进步。

本次分享的是中山大学附属第一医院高少伟医生团队刊登在Translational Cancer Research的一项研究(英文原文见文末)。该研究利用前列腺癌标本的RNA-Seq数据,建立了基于非监督聚类分析的分子亚型分类器,可有效将前列腺癌样本分为不同临床病理特征的亚型。此研究仍需进一步实验论证。

文章亮点

该研究主要利用TCGA数据库中前列腺癌标本的RNA-Seq数据,对497例患者肿瘤标本进行非监督聚类分析。研究人员随后将聚类结果作为类别标签,筛选出各类别具有代表性的标本及预测基因,构建一个由183个基因组成的分类器,最后他们利用该基因分类器将全体标本区分为3个亚型(PCS1-3)。结果显示,PCS1与PCS2亚型在肿瘤的分期分类以及预后方面有显著的差异,其中PCS1亚型高表达GSTP1,Gleason评分低(p<0.001),PCS2亚型更容易出现淋巴结侵犯 (p=0.005),且T分期更高。此外,此研究还分析了不同PCS亚型下Luminal与Basal亚型基因标记物的表达情况,发现PCS1亚型与Basal亚型表达模式相符,而PCS2与PCS3亚型则倾向于Luminal亚型。

通常,机器学习可以分为有监督和非监督学习两大类。既往很多研究大多以所研究的结果为类别标签去训练样本,并在相同数据集随机选取验证集进行验证。此类研究通常缺少泛化能力。本研究在一定程度上弥补此方面的不足。一方面,此研究主要利用了非监督聚类分析方法,单纯从基因表达层面对样本进行分类,而不是直接利用结局指标,并在此基础上比较各亚型的临床病理特征,揭示肿瘤基因表达和生物学行为之间的关系;另一方面,本研究还设置了三个外部验证集(均来自GEO数据库),验证结果与训练集相符,提示该方法具有一定的泛化能力。

综上,本研究利用前列腺癌标本的RNA-Seq数据,建立了基于非监督聚类分析的分子亚型分类器,可有效将前列腺癌样本分为不同临床病理特征的亚型。此研究仍需进一步实验论证。

通讯作者简介:周华强

周华强,现为中山大学临床医学八年制博士研究生(在读)。曾获中山大学优秀学生奖学金、中山大学学术创新奖等称号。以第一/通讯作者身份在Clin Lung Cancer,Cancer Med,Int J Mol Sci等杂志发表SCI学术论文9篇。目前的研究方向为肿瘤医学领域的临床及转化研究。

第一作者简介:高少伟

高少伟,2016年毕业于中山大学临床医学八年制专业,获外科学博士学位,并就职于中山大学附属第一医院麻醉科。曾获中山大学优秀学生奖学金。以第一/通讯作者身份完成论文并发表在Cancer Med,Gene,Clin Res Hepatol Gas等杂志上,参与发表SCI学术论文10余篇。目前的研究方向为机器学习在医学中的应用。

往期回顾


责任编辑:李肖梅 AME Publishing CompanyVV

comments powered by Disqus

附件