Kajian Akademik: Mengintegrasikan analisis multi-omics dan pembelajaran mesin untuk menyempurnakan subtipe molekuler dan penilaian prognostik glioma tingkat rendah

Glioma tingkat rendah (LGG) adalah penyakit yang sangat heterogen, sehingga membuat prediksi prognosis yang akurat dan pengembangan rencana perawatan yang tepat dan dipersonalisasi untuk pasien menjadi tantangan. Data multi-omics dari pasien LGG dianalisis menggunakan 10 algoritma pengelompokan untuk mengidentifikasi subkelompok dengan resolusi sangat tinggi. Sepuluh algoritma pembelajaran mesin kemudian diintegrasikan untuk mengembangkan model kecerdasan buatan (AIM) yang kuat. Kami mengidentifikasi dua subtipe kanker (CS) yang terkait dengan prognosis melalui pengelompokan multi-omics. Setelah menyaring 46 gen hub, kami mengintegrasikan 10 algoritme pembelajaran mesin ke dalam 117 kombinasi untuk memilih AIM dengan indeks C rata-rata tertinggi. AIM berbasis mesin penguat gradien (GBM) mengungguli tanda prognostik sebelumnya di hampir semua kelompok. Pasien pada kelompok AIM rendah mempunyai prognosis lebih baik dan sensitivitas lebih besar terhadap imunoterapi, sedangkan pasien pada kelompok AIM tinggi mempunyai prognosis lebih buruk dan sensitivitas imunoterapi lebih rendah. Namun, MG132 menunjukkan potensi sebagai agen terapi. Penelitian in vitro mengkonfirmasi peran onkogenik dari gen hub CSDC2 dalam sel LGG; knockdownnya mengurangi proliferasi, invasi, dan migrasi sel-sel ini. Singkatnya, AIM yang kami kembangkan sangat berharga untuk memprediksi prognosis pasien LGG dan mengidentifikasi pasien yang sensitif terhadap imunoterapi