هر روز یک مقاله، شماره ۲۰۴۱ شنبه ۱۷ مرداد ۱۴۰۵

عنوان: Machine learning-based integration of transcriptome and digital pathology for predicting chemoresistance in muscle-invasive bladder cancer

خلاصه: این مطالعه به بررسی یک چالش بالینی حیاتی در درمان سرطان مثانه مهاجم به عضله می‌پردازد که در حال حاضر تنها اقلیت کوچکی از بیماران پس از شیمی‌درمانی نئوادجوانت مبتنی بر سیس‌پلاتین به پاسخ کامل پاتولوژیک دست می‌یابند و ابزارهای فعلی برای پیش‌بینی این پاسخ در محیط‌های بالینی کارآمد نیستند. هدف اصلی این مطالعه بهبود پیش‌بینی پاسخ به شیمی‌درمانی نئوادجوانت از طریق ادغام داده‌های ترانسکریپتومیک با پروفایل‌های بیان پروتئین مکانی (برگرفته از تصاویر پاتولوژی) با استفاده از روش‌های یادگیری ماشین است. این رویکرد به دنبال کاهش فضای پیچیده بایومارکرها به یک پنل کوچک‌تر و کاربردی‌تر برای تصمیم‌گیری‌های درمانی دقیق در پزشکی شخصی‌سازی شده است.

داده‌های مورد استفاده در این مطالعه شامل چندین مجموعه داده مستقل است. در بخش ترانسکریپتومیک، داده‌های چهار کوهورت مستقل شامل ۳۹۹ نمونه مورد تحلیل قرار گرفت. در بخش بالینی، از داده‌های یک مرکز پزشکی شامل ۶۳ بیمار سرطان مثانه مهاجم به عضله تحت درمان با شیمی‌درمانی نئوادجوانت و ۶۳ بیمار در یک کوهورت مستقل شیمی‌درمانی پیش‌جراحی استفاده شد. برای تحلیل‌های آسیب‌شناسی دیجیتال نیز ۷۴ مارکر پروتئینی در ۵۵ مورد کوهورت اول و ۳۶ مورد کوهورت دوم از طریق ریزآرایه‌های بافتی و رنگ‌آمیزی ایمونوهیستوشیمی بررسی شدند.

در این مطالعه که با استفاده از روش های یاد گیری ماشین انجام شد، پس از پیش پردازش های لازم، برای داده‌های ترانسکریپتومیک، از مدل جنگل تصادفی جهت تعیین اهمیت ژن‌ها و از خوشه‌بندی و رگرسیون لجستیک برای انتخاب ترکیبات بهینه ژنی استفاده شد. در آنالیز داده های پاتولوژی، از روش حذف ویژگی بازگشتی با اعتبار‌سنجی متقاطع برای شناسایی موثرترین مارکرها در بخش‌های تومور و استروما استفاده شد و مدل‌های نهایی با استفاده از درخت تصمیم و رگرسیون لجستیک توسعه یافتند تا پنلی مقاوم و قابل تعمیم در پلتفرم‌های مختلف ایجاد شود.

یافته‌های کلیدی مطالعه نشان می‌دهد که ادغام تحلیل‌های ترانسکریپتومیک و پروتئومیک مکانی، دقت پیش‌بینی پاسخ به شیمی‌درمانی نئوادجوانت را به طور قابل توجهی افزایش داده و با نرخ بقای بیماران همبستگی مستقیم دارد. این تحقیق ژن‌های مرتبط با پاسخ به استرس، ایمنی و چسبندگی سلولی را به عنوان عوامل موثر شناسایی کرد. یکی از مهم‌ترین دستاوردهای مکانیسمی این مقاله، شناسایی محور KEAP1-NRF2 به عنوان عامل اصلی مقاومت به سیس‌پلاتین است. نتایج نشان داد که مهار این مسیر می‌تواند ویژگی‌های بنیادی و تهاجمی سلول‌های مقاوم را سرکوب کرده و آن‌ها را دوباره به سیس‌پلاتین حساس کند. در نهایت، این مطالعه استدلال می‌کند که ترکیب یادگیری ماشین با پاتولوژی محاسباتی می‌تواند طبقه‌بندی‌های پیچیده مولکولی را به پنل‌های ایمونوهیستوشیمی کاربردی در آزمایشگاه‌های تشخیص طبی تبدیل کند.

https://www.nature.com/articles/s12276-026-01718-y