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...
详细信息
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。
暂无评论