今天给同学们分享一篇生信文章“Integrated multiomics analysis and machine learning refine molecular subtypes and prognosis for muscle-invasive urothelial cancer”,这篇文章发表在Mol Ther Nucleic Acids期刊上,影响因子为8.8.
结果解读:
多组学共识预后相关的MUC分子亚型
该研究的工作流程如图1所示。在对所有数据进行有效预处理后,作者通过主成分分析(PCA)对处理批次效应前后的数据进行验证。作者独立地从10个多组学集成聚类算法中识别出三个亚型,并通过综合参考聚类预测指数、间隙统计分析、轮廓分数和以往的研究经验来确定亚型的数量。然后,通过共识集成方法进一步将聚类结果与转录组(mRNA、lncRNA和miRNA)、表观遗传甲基化和体细胞突变的分子模式相结合(图2A-2C)。作者的分类系统与总体生存率(OS)密切相关(p < 0.001;图2D)。值得注意的是,癌症亚型2(CS2)在所有评估的亚型中表现出最有利的生存结果。
MUC整合共识分子亚型的分区
目前,大多数MUC的分子亚型是根据分子表达水平进行分类的,可能与特定的生物功能有关。因此,作者还尝试探索这些CS的不同分子特征。单样本基因集富集分析(ssGSEA)算法测量样本中不同分子标志物的富集程度。有趣的是,作者发现在CS2中明显富集了如腺管分化和尿道上皮分化等途径,而在C