XiaoMi-AI文件搜索系统
World File Search SystemTCGA
胶质母细胞瘤的基因组规模代谢模型揭示了有希望的药物开发目标
胶质母细胞瘤 (GBM) 是一种侵袭性脑癌，患者预后不良。目前的治疗方法只能使患者平均存活 15 个月。在这项工作中，我们使用基因组规模代谢模型 (GEM) 与其他系统生物学工具来检查从癌症基因组图谱 (TCGA) 获得的 GBM 患者的整体转录组学数据。我们揭示了 GBM 背后的分子机制并确定了有效治疗患者的潜在治疗靶点。所介绍的工作由两个主要部分组成。第一部分将患者分为高存活率和低存活率两组，并比较他们的基因表达。第二部分使用 GBM 和健康脑组织 GEM 在 GBM 细胞模型中模拟基因敲除，以找到潜在的治疗靶点并预测它们在健康脑组织中的副作用。我们 (1) 发现存活率低的患者中上调的基因与胶质瘤侵袭过程的各个阶段有关；(2) 确定了胶质瘤的五个必需基因，抑制这些基因对健康脑组织无毒，因此有望作为治疗靶点进行进一步研究。
ATP1A1是黑色素瘤治疗的有前途的新靶标，其生理配体Bufalin可以抑制其恢复靶向治疗疗法
摘要尽管在治疗转移性黑色素瘤方面取得了进步，但许多患者对靶向疗法表现出抗性。我们的研究重点是ATP1A1，这是一种与癌症发展相关的钠泵亚基。我们旨在评估黑色素瘤患者的ATP1A1预后价值，并检查其配体Bufalin，体外和体内黑色素瘤细胞系的影响。高ATP1A1表达（IHC）与黑色素瘤患者的总体存活率降低相关。 对BRAF抑制剂的抗性与患者活检（IHC，QPCR）和细胞系（Western blot，QPCR）的ATP1A1水平升高有关。 此外，基于癌症基因组图集（TCGA）数据库和Verfaillie增殖基因签名分析的数据，高的ATP1A1 mRNA表达与分化/色素沉着标记正相关。 bufalin在小窝（接近连接测定法）中特异性靶向ATP1A1，并影响SRC磷酸化（Western blot），从而破坏了多个信号通路（磷酸激酶阵列）。 在体外，Bufalin在ATP1A1（siRNA实验）上作用于ATP1A1（siRNA实验），并在体内使用裸小鼠异种移植模型通过连续的Bufalin通过渗透泵递送，从而诱导黑色素瘤细胞系凋亡。 总而言之，我们的研究表明，ATP1A1可以作为患者生存的预后标志物，也可以作为对BRAF抑制剂治疗的反应的预性标记。 通过靶向ATP1A1，Bufalin抑制细胞增殖，体外诱导凋亡，并有效抑制小鼠的肿瘤发育。高ATP1A1表达（IHC）与黑色素瘤患者的总体存活率降低相关。对BRAF抑制剂的抗性与患者活检（IHC，QPCR）和细胞系（Western blot，QPCR）的ATP1A1水平升高有关。此外，基于癌症基因组图集（TCGA）数据库和Verfaillie增殖基因签名分析的数据，高的ATP1A1 mRNA表达与分化/色素沉着标记正相关。bufalin在小窝（接近连接测定法）中特异性靶向ATP1A1，并影响SRC磷酸化（Western blot），从而破坏了多个信号通路（磷酸激酶阵列）。在体外，Bufalin在ATP1A1（siRNA实验）上作用于ATP1A1（siRNA实验），并在体内使用裸小鼠异种移植模型通过连续的Bufalin通过渗透泵递送，从而诱导黑色素瘤细胞系凋亡。总而言之，我们的研究表明，ATP1A1可以作为患者生存的预后标志物，也可以作为对BRAF抑制剂治疗的反应的预性标记。通过靶向ATP1A1，Bufalin抑制细胞增殖，体外诱导凋亡，并有效抑制小鼠的肿瘤发育。因此，我们的发现强烈支持ATP1A1作为一个有前途的治疗靶标，Bufalin是破坏其肿瘤促进活性的潜在药物。
全基因组研究基因-癌症关联以预测肿瘤学新治疗靶点
结果：我们研究了如何应用计算智能方法来预测肿瘤学的新治疗靶点。我们比较了应用于九种不同人类癌症类型的药物靶点分类任务的不同机器学习分类器。对于每种癌症类型，我们获得了一组“已知”靶基因，并从人类蛋白质编码基因中多次采样大小相同的“非靶点”集。模型在突变、基因表达 (TCGA) 和基因必需性 (DepMap) 数据上进行训练。此外，我们使用深度网络表示学习生成了蛋白质编码基因相互作用网络的数值嵌入，并将结果纳入建模中。我们使用随机森林分类器评估特征重要性，并根据对零分布的排列重要性进行测量来执行特征选择。我们的最佳模型根据 AUC 指标实现了良好的泛化性能。使用每种癌症类型的最佳模型，我们对超过 15,000 个蛋白质编码基因进行了预测，以确定潜在的新靶点。我们的结果表明，这种方法可能有助于指导药物研发流程的早期阶段。
Contramae：癌症生存预测的对比度对齐掩盖自动编码器框架
摘要 - 随着多模式融合技术的快速发展，病理图像与基因组学数据的整合已在癌症生存预测中取得了令人鼓舞的结果。但是，大多数现有的多模型模型不是通过结合病理学和基因组学模态来预训练的，而忽略了不同模态之间固有的任务无关联的关联。尽管某些自我监督的方法通过预训练的目标（例如相关性和均方误差）来对齐多模式信息，但它们缺乏深入的多模式相互作用。为了解决这些问题，我们提出了Contramae，这是一种对比度对齐的掩盖自动编码器框架，以融合病理学图像和基因组学数据，以进行癌症存活预测。具体而言，我们引入了一个对比目标，以使多形态保持一致并构建其内在的一致性。此外，我们设计了两个重建目标，以通过互补偿双方所缺乏的信息来捕获多模式之间的复杂关系。在生存预测中，将Contramae编码器的病理和基因组学编码串联为产生生存风险评分的最终表示。实验结果表明，在五个癌症基因组图集（TCGA）中，CONTORAMA的表现优于五个癌症数据集的现有最新方法。该代码可从https://github.com/suixuewang/contramae获得。
stearoyl-COA去饱和酶是SMAD4缺陷癌症中的合成致命靶标
与功能基因组学研究结合的大规模DNA测序在表征癌症基因组方面起着关键作用，揭示了缺失事件的重要性，这些事件的重要性通过肿瘤抑制基因的丧失来促进肿瘤生长。诸如癌症基因组图集计划（TCGA）之类的倡议提供了整个人类癌症遗传改变的综合图，表明缺失事件通常延伸到肿瘤抑制基因基因座，从而导致相邻基因的代码。尽管这些乘客事件可能不会赋予肿瘤的直接健身优势，但它们可以创建可以通过治疗剥削的副脆弱性。一个例子是由甲基腺苷磷酸化酶（MTAP）丧失赋予PRMT5抑制作用的附带脆弱性，该基因经常与描述良好的肿瘤抑制基因CDKN2A相关。1-3 MTAP编码蛋白质MTAP，蛋白MTAP是蛋氨酸拯救途径中的临界酶，该过程从多胺合成的副产物中循环蛋氨酸，甲基噻吩腺苷（MTA）。CDKN2A的丧失发生在所有人类癌症中的10-15％中，并且在组织学上的频率更高，例如恶性周围神经鞘肿瘤，胶质母细胞瘤（GBM），间皮瘤，间皮瘤，尿路上皮癌，食管鳞状细胞癌，胰腺癌，胰腺腺瘤腺瘤，<- <- <-
回顾DARS-AS1：具有癌症预后和治疗潜力的重要致癌LNCRNA调节剂
dars-as1，是Aspartyl-tRNA合成酶反义RNA 1的缩写，已成为癌症中的关键玩家。该lncRNA的上调是在各种癌症类型中观察到的一种复发现象，主要假定肿瘤作用，对肿瘤细胞生物学的多个方面发挥影响。DARS-AS1的这种异常表达引发了广泛的研究研究，旨在揭示其在癌症中的作用和临床价值。在这篇综述中，我们阐明了癌症患者失调的DARS-AS1表达和不良存活预后之间的显着相关性，从现有文献中汲取了癌症基因组图集（TCGA）的泛滥作用分析。此外，我们还提供了对DARS-AS1在各种癌症中各种功能的各种功能的全面见解。我们的评论涵盖了分子机制，CERNA网络，功能介质和信号传导途径的阐明，及其参与治疗耐药性，再加上DARS-AS1与DARS-AS1相关癌症研究的最新进步。这些最近的更新丰富了我们对DARS-AS1在癌症中扮演的关键作用的全面理解，从而为未来的DARS-AS1靶向策略在肿瘤预后评估和治疗干预措施中的应用铺平了道路。本评论提供了有价值的见解，以促进有效地打击癌症的持续努力。
癌症研究的基因特征：25
AU：请确认所有标题级别均正确显示：在过去二十年中，大量研究，尤其是通过大型数据集（如癌症基因组图谱 (TCGA)）进行的癌症分析，旨在改善患者疗法和精准医疗。然而，不同队列之间基因特征的有限重叠和不一致带来了挑战。转录组的动态性质涵盖了基因和异构体水平上的各种 RNA 物种和功能复杂性，引入了复杂性，并且由于每个患者独特的转录组景观，当前的基因特征面临可重复性问题。在这种情况下，来自不同测序技术、数据分析算法和软件工具的差异进一步阻碍了一致性。虽然精心的实验设计、分析策略和标准化协议可以提高可重复性，但未来的前景在于多组学数据集成、机器学习技术、开放科学实践和协作努力。标准化指标、质量控制措施和单细胞 RNA 测序的进步将有助于无偏基因特征识别。在这篇观点文章中，我们概述了一些应对挑战的想法和见解、标准化实践和先进方法，以提高疾病转录组研究中基因特征的可靠性。
2025; 16（6）：1971- 1986年。 doi：10.7150/jca.104221研究论文的临床意义和免疫景观分析与凝血相关的基因Sig
胃癌（GC）是最常见的临床恶性肿瘤类型之一，并且由于其高死亡率和预后不良，全球健康挑战。凝血级联反应与GC密切相关，并且在肿瘤免疫微环境中起关键作用。然而，与GC的发生和发育有关的凝血相关基因尚不清楚的具体机制。分别从TCGA和GSEA数据库获得了GC患者和凝血相关基因的数据。在单变量COX回归分析后，使用非负基质分解方法识别与凝血相关的分子亚型。GC患者基于中位风险评分分为高风险和低风险评分组，其中包括六个基因（PCDHAC1，HABP2，GPC3，GFRA1，F5，F5和DKK1）。两组之间的存活率存在显着差异，而1年，3年和5年生存的预测能力是有效的。在这里，我们证明了与凝血相关的基因特征在预测GC患者的存活中很有价值。此外，高风险分组还可以更好地反映GC中肿瘤突变负担的状态和肿瘤免疫浸润的特征，这为GC患者的个性化化学疗法和免疫疗法提供了理论基础。
细胞间CRISPR筛查显示癌细胞吞噬作用的调节剂
✉函数和材料请求应发给迈克尔·C·巴西克（Michael C. Bassik）。bassik@stanford.edu。作者贡献R.A.K.和M.C.B.构思并设计了这项研究。R.A.K. 为全基因组CRISPR筛选设计了癌症 - 巨噬细胞共培养系统。 R.A.K. 在S.L.的帮助下，在Ramos细胞和J774细胞中进行了CRISPR屏幕。 和K.S.和B.M. 在KARPAS-299细胞中进行了CRISPR屏幕。 Y.N. 在J.S.的建议下，在NSG小鼠中进行了体内小鼠实验。 a.m.m. 和A.A.B. 通过I.L.W.的建议进行了合成小鼠实验。 和F.V.-C。 D.F. 生成了APMAP同源模型。 J.A.S. 在C.C.的建议下分析了不同癌症类型中差异表达的TCGA数据。 L.J.-A. 分析了单细胞RNA-sequering数据。 R.A.K. 和M.G. 进行了incucyte分析以验证CRISPR淘汰赛。 R.A.K，M.G。 和S.L. 克隆的sgrna载体和产生的基因敲除细胞系。 R.A.K. 进行了蛋白质印迹，共聚焦显微镜和药物滴定。 M.G.，S.L。 和R.A.K. 进行了流式细胞仪分析。 R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。R.A.K.为全基因组CRISPR筛选设计了癌症 - 巨噬细胞共培养系统。R.A.K. 在S.L.的帮助下，在Ramos细胞和J774细胞中进行了CRISPR屏幕。 和K.S.和B.M. 在KARPAS-299细胞中进行了CRISPR屏幕。 Y.N. 在J.S.的建议下，在NSG小鼠中进行了体内小鼠实验。 a.m.m. 和A.A.B. 通过I.L.W.的建议进行了合成小鼠实验。 和F.V.-C。 D.F. 生成了APMAP同源模型。 J.A.S. 在C.C.的建议下分析了不同癌症类型中差异表达的TCGA数据。 L.J.-A. 分析了单细胞RNA-sequering数据。 R.A.K. 和M.G. 进行了incucyte分析以验证CRISPR淘汰赛。 R.A.K，M.G。 和S.L. 克隆的sgrna载体和产生的基因敲除细胞系。 R.A.K. 进行了蛋白质印迹，共聚焦显微镜和药物滴定。 M.G.，S.L。 和R.A.K. 进行了流式细胞仪分析。 R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。R.A.K.在S.L.的帮助下，在Ramos细胞和J774细胞中进行了CRISPR屏幕。和K.S.和B.M.在KARPAS-299细胞中进行了CRISPR屏幕。Y.N. 在J.S.的建议下，在NSG小鼠中进行了体内小鼠实验。 a.m.m. 和A.A.B. 通过I.L.W.的建议进行了合成小鼠实验。 和F.V.-C。 D.F. 生成了APMAP同源模型。 J.A.S. 在C.C.的建议下分析了不同癌症类型中差异表达的TCGA数据。 L.J.-A. 分析了单细胞RNA-sequering数据。 R.A.K. 和M.G. 进行了incucyte分析以验证CRISPR淘汰赛。 R.A.K，M.G。 和S.L. 克隆的sgrna载体和产生的基因敲除细胞系。 R.A.K. 进行了蛋白质印迹，共聚焦显微镜和药物滴定。 M.G.，S.L。 和R.A.K. 进行了流式细胞仪分析。 R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。Y.N.在J.S.的建议下，在NSG小鼠中进行了体内小鼠实验。a.m.m.和A.A.B.通过I.L.W.的建议进行了合成小鼠实验。和F.V.-C。 D.F.生成了APMAP同源模型。J.A.S. 在C.C.的建议下分析了不同癌症类型中差异表达的TCGA数据。 L.J.-A. 分析了单细胞RNA-sequering数据。 R.A.K. 和M.G. 进行了incucyte分析以验证CRISPR淘汰赛。 R.A.K，M.G。 和S.L. 克隆的sgrna载体和产生的基因敲除细胞系。 R.A.K. 进行了蛋白质印迹，共聚焦显微镜和药物滴定。 M.G.，S.L。 和R.A.K. 进行了流式细胞仪分析。 R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。J.A.S.在C.C.的建议下分析了不同癌症类型中差异表达的TCGA数据。L.J.-A. 分析了单细胞RNA-sequering数据。 R.A.K. 和M.G. 进行了incucyte分析以验证CRISPR淘汰赛。 R.A.K，M.G。 和S.L. 克隆的sgrna载体和产生的基因敲除细胞系。 R.A.K. 进行了蛋白质印迹，共聚焦显微镜和药物滴定。 M.G.，S.L。 和R.A.K. 进行了流式细胞仪分析。 R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。L.J.-A.分析了单细胞RNA-sequering数据。R.A.K. 和M.G. 进行了incucyte分析以验证CRISPR淘汰赛。 R.A.K，M.G。 和S.L. 克隆的sgrna载体和产生的基因敲除细胞系。 R.A.K. 进行了蛋白质印迹，共聚焦显微镜和药物滴定。 M.G.，S.L。 和R.A.K. 进行了流式细胞仪分析。 R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。R.A.K.和M.G.进行了incucyte分析以验证CRISPR淘汰赛。R.A.K，M.G。 和S.L. 克隆的sgrna载体和产生的基因敲除细胞系。 R.A.K. 进行了蛋白质印迹，共聚焦显微镜和药物滴定。 M.G.，S.L。 和R.A.K. 进行了流式细胞仪分析。 R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。R.A.K，M.G。和S.L.克隆的sgrna载体和产生的基因敲除细胞系。R.A.K. 进行了蛋白质印迹，共聚焦显微镜和药物滴定。 M.G.，S.L。 和R.A.K. 进行了流式细胞仪分析。 R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。R.A.K.进行了蛋白质印迹，共聚焦显微镜和药物滴定。M.G.，S.L。 和R.A.K. 进行了流式细胞仪分析。 R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。M.G.，S.L。和R.A.K.进行了流式细胞仪分析。R.A.K. 和S.L. 执行了RNA-sequest，D.Y. 和K.L. 分析了RNA测序数据。 D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。R.A.K.和S.L.执行了RNA-sequest，D.Y.和K.L.分析了RNA测序数据。D.Y. 帮助设计了寡核苷酸子图和K.S. 克隆了子图。D.Y.帮助设计了寡核苷酸子图和K.S.克隆了子图。R.A.K. 和M.C.B. 写了手稿。 所有作者都讨论了结果和手稿。R.A.K.和M.C.B.写了手稿。所有作者都讨论了结果和手稿。
从多组学数据到癌症可用药基因的发现
靶向药物的开发使得癌症治疗可以实现精准医疗，并实现最佳的靶向治疗。准确识别癌症药物基因有助于加强对癌症靶向治疗的认识，促进癌症的精准治疗。然而，由于多组学数据的多样性和复杂性，发现的癌症药物基因非常少见。本研究提出了一种基于机器学习的癌症药物基因发现新方法DF-CAGE。DF-CAGE整合了~10000个TCGA谱中的体细胞突变、拷贝数变异、DNA甲基化和RNA-Seq数据，以识别癌症药物基因的概况。我们发现DF-CAGE从多组学数据的角度发现了目前已知的癌症药物基因的共性，并在OncoKB、Target和Drugbank数据集上取得了优异的表现。在~20,000个蛋白质编码基因中，DF-CAGE精确定位了465个潜在的癌症药物基因。我们发现候选癌症药物基因（CDG-基因）具有临床意义，可分为高可信、可靠和潜在基因集。最后，我们分析了组学数据对药物基因识别的贡献。我们发现DF-CAGE主要根据CNA数据、基因重排和人群中的突变率来报告药物基因。这些发现可能对未来新药的研究和开发有所启发。