XiaoMi-AI文件搜索系统
World File Search SystemUCEC
ONMIMHC：通过增强的肽-MHC结合预测的UCEC肿瘤疫苗开发的机器学习解决方案
免疫系统中主要的组织相容性复合物（MHC）I类和II类分子的关键作用已得到很好的确定。本研究旨在开发一种新型的机器学习框架，用于通过MHC I类和II类分子预测抗原肽表现。通过整合大规模质谱数据和其他相关数据类型，我们基于深度学习提供了预测模型ONMIMHC。我们使用独立的测试集对其性能进行了严格的评估，ONMIMHC在MHC-I任务中的PR-AUC得分为0.854，Top20％-PPV为0.934，这表现优于现有方法。同样，在MHC-II预测的域中，我们的模型ONMIMHC的PR-AUC得分为0.606，TOP20％-PPV为0.690，表现出优于其他基线方法。这些结果证明了我们模型ONMIMHC在准确预测MHC-I和MHC-II分子之间的肽MHC结合后的优势。凭借其出色的准确性和预测能力，我们的模型不仅在一般的预测任务中出色，而且在预测新抗原针对特定癌症类型的新抗原方面也取得了显着的结果。特别是对于子宫菌群子宫内膜癌（UCEC），我们的模型成功地预测了新抗原，对普通人类等位基因具有很高的结合概率。这一发现对于开发针对UCEC的个性化肿瘤疫苗非常重要。
相关的LNCRNA模型用于预测
子宫菌群子宫内膜癌（UCEC）是发达国家最普遍的恶性肿瘤之一，每年有50,000多人死亡（1）。随着人口的年龄和环境污染的增加，UCEC的发病率和死亡率也上升。年龄，种族和先前恶性肿瘤病史等因素与UCEC的发作密切相关（2,3）。尽管有多种治疗选择，例如手术，放疗和化学疗法，但UCEC仍然容易转移和饲养（4）。基于RNA的治疗剂最近被发现是通过RNA疫苗，RNA免疫调节和RNA干扰来对抗癌症的重要策略（5）。长的非编码RNA（LNCRNA）由200多个核苷酸组成，显示出越来越多地参与各种恶性癌的进展（6）。lncRNA通过靶向miRNA轴（7），参与UCEC细胞增殖，侵袭和代谢变化。实验研究表明，Linc00958调节IGF2BP3的功能，因此参与UCEC的肿瘤发生和进展（8）。鉴于这些关键特征，LNCRNA逐渐成为UCEC的新型诊断和预后生物标志物。
2024; 15(10): 2948-2959. doi: 10.7150/jca.92201 研究论文建立子宫体子宫内膜癌的预后模型并预测
背景：子宫体子宫内膜癌 (UCEC) 是子宫内最常见的癌症类型，具体起源于子宫内膜，即子宫内膜。程序性细胞死亡 (PCD) 是一个高度受调控的过程，可消除体内受损、老化或不需要的细胞。PCD 通路失调可导致各种癌症的形成和进展，包括 UCEC。方法：十四种 PCD 通路（自噬依赖性细胞死亡、碱凋亡、细胞凋亡、杯凋亡、内细胞死亡、铁凋亡、免疫原性细胞死亡、溶酶体依赖性细胞死亡、MPT 驱动的坏死、坏死性凋亡、网状细胞死亡、氧化凋亡、单核细胞死亡和焦亡）参与了预后特征的构建。该模型使用来自 TCGA-UCEC 的数据进行训练和测试，并使用 GSE119041 数据集进行验证。结果：建立了12个基因的PCD特征（DRAM1、ELAPOR1、MAPT、TRIM58、UCHL1、CDKN2A、CYFIP2、AKT2、LINC00618、TTPA、TRIM46和NOS2），并在独立数据集中进行了验证。具有高PCD评分（PCDS）的UCEC患者预后较差。此外，通过多种方法发现PCDS与免疫相关细胞和关键肿瘤微环境成分相关。观察发现，具有高PCD评分的UCEC患者可能无法从免疫治疗中受益，但某些化疗药物如硼替佐米可能会有用。结论：总之，通过全面分析不同的细胞死亡模式建立了一种新颖的PCD模型。该模型准确预测了UCEC的临床预后和药物敏感性。研究结果表明，PCD特征可以作为评估UCEC患者预后和指导治疗决策的有力工具。
使用生物信息学和机器学习鉴定子宫中重要的诊断基因
摘要背景：子宫子宫内膜癌（UCEC）被称为世界第六大癌症。生物信息学和深度学习的进步提供了筛查大规模基因组数据并发现指示疾病状态的潜在生物标志物的两种工具。这项研究旨在研究使用生物信息学和机器学习算法鉴定子宫诊断和预后的重要基因。方法：分析UECE患者的RNA表达谱，使用深度学习技术鉴定差异表达的基因（DEG）。预后生物标志物。此外，彻底检查了分子途径，蛋白质 - 蛋白质相互作用（PPI）网络，DEG的共表达模式及其与临床数据的关联。最终，通过基于深度学习的分析来确定诊断标记。结果：根据我们的发现，MEX3B，CTRP2（C1QTNF2）和AASS是UCEC的新生物标志物。评估指标证明了深度学习模型的功效（DNN）功效，最小平均平方误差（MSE）为5.1096067E-5，而根平方误差（RMSE）为0.007，表示准确的预测。0.99的R平方值强调了该模型解释数据中差异的很大一部分的能力。因此，该模型在曲线（AUC）下达到了一个完美的区域，表示特殊的歧视能力，精度率为97％。因此，确定新的UCEC生物标志物有望有效护理，改善预后和早期诊断。结论：GDCA数据库和深度学习算法确定了3个重要基因-MEX3B，CTRP2（C1QTNF2）和AASS，是UCEC的潜在诊断生物标志物。关键词：子宫语料库子宫内膜癌，深度学习，生物标志物，生物信息学分析，UCEC利益冲突：无宣布的资金：这项研究得到了Shahid Beheshti医学科学大学的资助和支持。*这项工作已根据CC BY-NC-SA 4.0许可发布。版权所有©伊朗医学科学大学引用本文的引用：Valizadeh Laktarashi H，Rahimi M，Rahimi M，Abrishamifar K，Mahmoudabadi A，Nazari E.使用生物学信息和机器学习对子宫中重要的诊断基因的鉴定。Med J Islam Repub伊朗。2025（1月6日）; 39：4。 https://doi.org/10.47176/mjiri.39.4
短串联重复变化的多层分析揭示了共享的基因调节机制
背景短串联重复序列（STR）据报道会影响各种人体组织中的基因表达。虽然Str变异富含col-肠分裂（CRC），胃（Stad）和子宫内膜（UCEC）癌症，特别是在微卫星肿瘤（MSI）肿瘤中，其功能效应和调节机制对基因表达在这些癌症类型中仍然备受了解。结果，我们利用全外活体测序和基因表达数据来识别与CRC，Stad和UCEC肿瘤中附近基因（ESTR）表达相关的重复长度的STR。我们的分析表明，肿瘤StR谱有效地捕获了MSI表型和人口结构。虽然大多数ESTR是癌症特异性的，但多种癌症的共享雌激素对基因表达表现出一致的影响。值得注意的是，在所有三种癌症类型中鉴定出的编码区域eTRS均与附近基因表达呈正相关。我们通过在从正常组织到肿瘤组织的过渡过程中证明了体细胞ESTR突变与基因的扩张变化之间的关联，进一步验证了ESTR的功能效应，这表明它们在肿瘤发生中的潜在作用。结合DNA甲基化数据，我们对Str变化和
XMT -1660
ADA，抗药物抗体； ADC，抗体 - 药物结合； Af -hpa，auristatin f-羟丙基酰胺； A/MBC，晚期或转移性乳腺癌； BC，乳腺癌； Boin，贝叶斯最佳间隔； BRCA，BRCA DNA修复相关基因； CD，分化簇； CT，化学疗法； DAR，药物与抗体比； des，剂量升级； DL，剂量水平； DOR，响应持续时间； EC，子宫内膜癌； ECOG PS，东方合作肿瘤学组绩效状况； ER，雌激素受体； ET，基于内分泌的疗法； Exp，剂量扩展； HER2，人表皮生长因子受体2； HGSOC，高级浆液卵巢癌； HR，激素受体； iv，静脉注射；很多，治疗线； mAb，单克隆抗体； MTD，最大耐受剂量； NAB，中和抗体； OC，卵巢癌； ORR，客观响应率； OS，整体生存； OV，卵巢； PARPI，聚（ADP- ribose）聚合酶抑制剂； PD ‑ 1，编程死亡受体1； PD − L1，编程的死亡受体 - 配体1; PDX，患者衍生的异种移植物； PK，药代动力学；问，每个；恢复，实体瘤的反应评估标准； RP2D，建议的2期剂量； RSEM，平均值的相对标准； SEM，平均值的标准误差； SOC，护理标准； TNBC，三阴性乳腺癌； UCEC，子宫类子宫内膜癌。ADA，抗药物抗体； ADC，抗体 - 药物结合； Af -hpa，auristatin f-羟丙基酰胺； A/MBC，晚期或转移性乳腺癌； BC，乳腺癌； Boin，贝叶斯最佳间隔； BRCA，BRCA DNA修复相关基因； CD，分化簇； CT，化学疗法； DAR，药物与抗体比； des，剂量升级； DL，剂量水平； DOR，响应持续时间； EC，子宫内膜癌； ECOG PS，东方合作肿瘤学组绩效状况； ER，雌激素受体； ET，基于内分泌的疗法； Exp，剂量扩展； HER2，人表皮生长因子受体2； HGSOC，高级浆液卵巢癌； HR，激素受体； iv，静脉注射；很多，治疗线； mAb，单克隆抗体； MTD，最大耐受剂量； NAB，中和抗体； OC，卵巢癌； ORR，客观响应率； OS，整体生存； OV，卵巢； PARPI，聚（ADP- ribose）聚合酶抑制剂； PD ‑ 1，编程死亡受体1； PD − L1，编程的死亡受体 - 配体1; PDX，患者衍生的异种移植物； PK，药代动力学；问，每个；恢复，实体瘤的反应评估标准； RP2D，建议的2期剂量； RSEM，平均值的相对标准； SEM，平均值的标准误差； SOC，护理标准； TNBC，三阴性乳腺癌； UCEC，子宫类子宫内膜癌。
HESI 测试和补救计划 - BSN
护理学院致力于营造有利于 NCLEX 准备的环境。健康教育系统公司 (HESI) 是 Elsevier 的一个分支。HESI 补习的目的是引导学生达到既定的护理实践标准，培养批判性思维、临床判断和临床推理技能，并为 NCLEX 做好准备。本科课程和评估委员会 (UCEC) 与 HESI 代表协商，为 BSN 课程的学生制定了 HESI 测试和补习计划。1.2 HESI 介绍：Elsevier 代表将在 NUR 3056 护理基础课程的第一周或第二周提供 HESI 产品和资源的详细介绍。学生将学习 NexGen（专业考试和补习）、HESI Test Trio（专业考试、练习测验和案例学生）、Sherpath、基本视频、CPEE（期末考试 I 和 II）和 HESI RN Live Review（期末考试周期间安排的 3 天课程）。学生使用他们的 Evolve 帐户登录 HESI 产品。学生将使用以下网站：https://evolve.elsevier.com/ 访问 HESI 产品、资源和技术支持。1.3 NCLEX CPEE 准备计划：NCLEX CPEE 准备计划（附录 A）是一份文件，学生将从第 3 学期开始填写并提交给他们的导师和学生成功主任。随着学生完成课程的进度，预计学生和他们的学生成功主任和导师将进行积极的对话，以构建和支持 NCLEX 准备计划（基于 HESI 准备的学生补习计划）。 1.4 专业考试：HESI 专业考试将在学期末在下列课程中进行，并将计入最终课程成绩的 10%。鼓励得分低于 900 分的学生完成补习计划并向其导师和学生成功主任寻求指导。