苦于文章数据难寻、文章被拒的小伙伴们看过来啦！小云最近为了帮助大家轻松发文不断努力，终于又找到一篇宝藏文！今天小云要跟大家分享的是一篇关于机器学习的高分生信文章，众所周知，机器学习在医学界扮演着越来越重要的角色，它可以通过分析医学影像、生物标记物和临床数据帮助医生更准确地诊断疾病，本篇基于人工智能衍生的预后指数（AIDPI）确定角鲨烯环氧化酶在高危骨肉瘤中的代谢易感性。想必大家已经迫不及待的想知道，本篇究竟是用什么“手段”拿下10分+了！话不多说，接下来小云就带大家一起揭开本篇文章的神秘面纱！
1、大样本数据增加文章可靠性：本篇将10种机器学习算法组合成101种组合，从中建立了基于254个样本转录组谱预测总生存的最佳模型。
2、多因素结合突显文章创新性：本文将AIDPI与临床因素合并，模型生成的人工智能衍生预后指数(AIDPI)是一种独立的预后生物标志物，优于临床病理因素和先前发表的特征。将AIDPI与临床因素合并可提高预测准确性。
3、干湿结合验证结论准确性：本文实验结果高AIDPI组的患者表现出化疗耐药性，同时MYC和SQLE过表达，mTORC1信号通路增加，PI3K-Akt信号通路中断，免疫浸润减少，有效证实了本文实验结论，表明AIDPI是识别OSA患者的一个可靠的生物标志物。
想发高分文章的小伙伴们，赶紧码住这些思路行动起来吧~(ps：小云这里有新鲜出炉的生信热点，还有好用的服务器供你使用，欢迎来call哦)
云服务器租赁
(加微信备注99领取试用)
发表时间：2024年1月
研究背景
骨肉瘤（OSA）是一个临床挑战，其5年生存率较低。目前，由于缺乏先进的分层模型，使个性化治疗变得困难。本研究旨在寻找新的生物标志物，对高危OSA患者进行分层并指导治疗。
数据来源
|
数据集/队列 |
数据库 |
数据类型 |
详细信息 |
|
GSE21257 |
GEO |
RNA-seq数据 |
n=53 |
|
GSE33382 |
GEO |
RNA-seq数据 |
n=82 |
|
GSE16091 |
GEO |
RNA-seq数据 |
n=34 |
|
GSE14827 |
GEO |
RNA-seq数据 |
n=27 |
|
GSE87437 |
GEO |
RNA-seq数据 |
n=21 |
|
GSE42352 |
GEO |
RNA-seq数据 |
3个成骨细胞[OBs]，12个间充质干细胞[MSCs]和19个OSA细胞系 |
|
GSE16089 |
GEO |
RNA-seq数据 |
抗MTX的Saos2及其亲本细胞系，分别有3个重复 |
|
GSE9967 |
GEO |
RNA-seq数据 |
来自18例患者的OSA样本和配对的正常骨组织的RNA-seq数据 |
|
GSE238110 |
GEO |
RNA-seq数据 |
186例初级犬OSA样本的RNA-seq数据 |
|
CCLE-23Q2 |
CCLE |
细胞系多组学 |
批量RNAseq、基因水平拷贝数数据和模型信息 |
|
PRJNA681896 |
Sra |
scRNA-seq |
6个OSA活检样本单细胞RNA测序的原始数据 |
|
PRJNA698672 |
Sra |
scRNA-seq |
包括来自4名患者的OSA组织和配对的邻近正常组织 |
研究思路
主要结果
1、AIDPI的开发和验证
本文将两个队列，GSE21257-OSA和GSE16091-OSA合并为GEO-OSA队列，并减轻了批效应，并将该队列作为训练集。同时，目标-osa作为的验证集，确定了在训练集和验证集之间共享的18个cpg。这些cpg被输入到一个机器学习框架中，以在训练集中生成多个预测模型。在训练集、验证集和独立测试集（GSE33382-OSA）进行评价后，选择CoxBoost和GBM组合建立的模型作为最优模型，其平均C-index（0.817）最高（图1A）。由于微阵列数据集中的基因命名改变和基因缺失，在至少在一个队列中只有53个已发表标记和AIDPI进行了测试，结果在热图中可视化（图1N）。这些发现表明，AIDPI可以预测OSA患者的预后，并优于先前建立的标记。（ps：这里的大样本数据是这篇文章获得高分的一个关键点，小伙伴们尽可能多的收集更多样本数据和临床数据，也是让自己文章冲刺高分的一个不错选择）
图1 人工智能衍生的预后指数（AIDPI）的开发和验证
2、在高AIDPI患者中识别调节失调的通路
在高AIDPI组中，有7个AIDPI基因表达显著上调，有5个AIDPI基因表达显著下调，其中3个与免疫评分呈正相关（图2A）。GSEA确定了高AIDPI组中增强的基因集，包括MYC靶向V2、MYC靶向V1、胆固醇稳态和mTORC1信号转导。相比之下，细胞凋亡和特异性免疫反应的基因集呈负富集（图2B）。KEGG对DEGs的富集分析突出了OSA进展的重要途径（图2C）。富集图突出显示了一个包含PI3K-Akt信号通路、病灶黏附和ECM受体相互作用的重要簇（图2D）。
图2 识别高人工智能衍生的预后指数（AIDPI）患者中的失调通路
3、确定高AIDPI患者的治疗靶点
本文评估了6个OSA活检样本的scRNA-seq数据集。在预测的OSA细胞中观察到明显的染色体扩增和缺失（图3A）。scGate包促进了自动免疫细胞注释，最终允许对9个主要簇进行注释（图3B）。定义每个簇的标记基因通过气泡图显示了它们的表达模式（图3C）。基于scRNA-seq数据集中的DEA结果展示了每个细胞簇中表达阳性表达的基因（PEGs）（图3D）。本文发现只有8%的DEGs主要在OSA细胞中表达（图3E）。12个AIDPI基因与DEGs和PEGs的交集突出了3个常见的基因（图3F），其表达模式随后通过特征图显示出来（图3G）。
图3 确定高人工智能衍生的预后指数（AIDPI）患者的治疗靶点
4、SQLE基因敲低抑制了体外和体内的OSA
本文为了阐明SQLE在OSA中的作用，构建了4个shRNA，并选择了最优的MNNG和U2OS细胞中沉默SQLE（图4A）。SQLE基因的敲低抑制了这些细胞的恶性表型，包括增殖（图4B)、集落形成（图4C)、迁移（图4D)和侵袭（图4E)。在异种移植模型中，发现沉默SQLE可以抑制肿瘤的生长，并降低肿瘤的重量和胆固醇水平（图4K-M）。IHC分析证实，在SQLE沉默后，SQLE蛋白丰度降低和ki-67阳性细胞减少（图4N，O）。（ps：本文后续干湿结合是文章发高分的一个助力点，尽量通过多角度实验进行验证，能让实验结论更具说服力哦）
图4 角鲨烯环氧化酶（SQLE）的敲低可抑制骨肉瘤（OSA）在体外和体内的进展
5、SQLE沉默通过降低胆固醇和抑制FAK/PI3K/Akt/mTOR通路来抑制OSA
GSEA显示，SQLE沉默后胆固醇稳态基因集显著下调（图5A），这与SQLE敲低后MNNG和U2OS细胞内胆固醇降低的结果一致（图5B）。在KEGG富集DEGs后，PI3K-Akt信号通路显著富集，其基因比例最高（图5C）。在MNNG和U2OS细胞中，SQLE的沉默导致关键蛋白的磷酸化水平降低。然而，补充胆固醇（100 μg/mL）恢复了这些磷酸化模式（图5F，G），并抵消了SQLE敲低对这些OSA细胞恶性表型的抑制作用（图5H）。这些发现表明，SQLE沉默通过降低胆固醇水平，进而抑制FAK/PI3K/Akt/mTOR通路来抑制OSA。
图5 角鲨烯环氧化酶（SQLE）沉默通过降低胆固醇和抑制FAK/PI3K/Akt/mTOR通路来抑制骨肉瘤（OSA）
6、药理SQLE抑制OSA进展并提高化疗疗效
本文分析表明，FR194738在U2OS和MNNG细胞中诱导了增殖和集落形成的剂量依赖性抑制（图6A，B）。利用携带MNNG的异种移植物模型进行的体内疗效评估证实了我们的体外观察结果。FR194738抑制了受试者的肿瘤生长和胆固醇含量，但没有导致体重下降（图6C-F）。解剖后的肿瘤重量比较显示，TGI率为59.67%（图6E）。此结果突出了SQLE药理抑制对OSA的治疗潜力。
图6 药理角鲨烯环氧化酶（SQLE）抑制可抑制骨肉瘤（OSA）的进展，提高化疗疗效
文章小结
读完这篇文章想必大家一定受益匪浅。本文不仅利用大样本数据，将10种机器学习算法组合成101种组合，使文章更真实可靠性，还利用多因素结合方式将AIDPI与临床因素合并，突出文章创新性，最后干湿结合验证结论准确性，有效证实了本文实验结论，不仅可以节省发文时间，还可以使你的文章内容更加丰富！如果你掌握了这几条关键点，冲刺10分+文章一定也变得轻而易举啦，小伙伴们是不是已经跃跃欲试了呢？那就赶快行动起来，大胆复现吧~小云随时待命！
定制生信分析
云服务器租赁
热点推荐
代码合集（点击查看）
原文始发于微信公众号（云生信学生物信息学）：同济大学医学院张春林教授带领团队又卷起来了！10种机器学习101种组合+AI衍生技术，实力拿下1区10.6高分！