网络增强核融合方法的改进及其在乳头状肾细胞癌多组学数据整合分子分型中的应用

目的针对网络增强的相似网络融合(network enhancement fusion,ne-SNF)方法先融合不同组学网络,再对融合后的网络降噪,忽略了不同组学相似网络噪声对融合网络影响的问题,本文提出了改进的网络增强融合(improved network enhancement fusion,improved ne-SNF)方法,并探讨其在乳头状肾细胞癌(papillary renal cell carcinoma,PRCC)分子分型中的应用,识别PRCC高危患者,筛选重要通路及免疫浸润细胞。方法通过模拟研究评估improved ne-SNF分型性能,并将其用于PRCC多组学数据的整合分型,利用Cox回归模型分析不同分型患者的预后风险;筛选不同分型的差异表达mRNA(DEmRNAs)、miRNA(DEmiRNAs)及差异甲基化基因(DMGs),并对其重合基因进行KEGG通路分析;最后对不同分型患者进行免疫细胞浸润分析。结果模拟研究结果表明improved ne-SNF在不同信号比例和噪声强度下的分型准确性均优于SNF和ne-SNF。improved ne-SNF方法将PRCC患者分为高危组和低危组,高危组患者的死亡风险是低危组的7.727倍;筛选出3511个DEmRNAs,96个DEmiRNAs及3426个DMGs,其联合分析的649个重合基因得到42条有统计学差异的KEGG通路。此外,筛选出3种在不同分型中存在统计学差异的免疫浸润细胞。结论improved ne-SNF分型性能优于SNF和ne-SNF,且能够有效识别PRCC预后高风险患者,并筛选出PRCC重要通路及相关免疫浸润细胞,为PRCC的治疗及预后提供新的思路和参考依据。

基于MOVICS集成聚类的低级别胶质瘤多组学数据整合分子分型

目的探讨癌症分型中的多组学整合与可视化(multi-omics integration and visualization in cancer subtyping,MOVICS)集成聚类方法在低级别胶质瘤(lower-grade gliomas,LGG)多组学数据整合分型中的应用,识别LGG高危患者,筛选出潜在的生物标志物和重要通路。方法采用MOVICS方法集成LGG多组学数据的10种整合方法的分型结果,得到LGG的稳健分子分型,进一步采用Cox回归研究不同分型患者的死亡风险;针对不同分型,筛选差异表达的mRNA(DEmRNAs),miRNA(DEmiRNAs)以及差异甲基化基因(differential methylation genes,DMGs),对三者进行联合分析得到重合基因,利用GO和KEGG分析得到重合基因富集通路,进一步分析核心基因的表达水平对生存率的影响,最后对不同分型患者进行通路活性分析。结果LGG患者分为三型,其中,分型3患者的死亡风险是分型1的2.794倍;筛选出1569个DEmRNAs,140个DEmiRNAs以及337个DMGs,119个重合基因富集到有统计学差异的26条GO生物功能项和7条KEGG通路;生存分析表明DNAJB14和MTUS1可能与患者生存结局相关。通路活性分析结果显示Androgen、EGFR、Trail和VEGF通路的活性在不同分型间差异有统计学意义。结论MOVICS聚类集成方法能够有效地对LGG患者进行分型,识别预后高风险患者,筛选出潜在生物标志物以及重要通路,为LGG患者个体化治疗策略的制定提供理论依据。