利用人工智能方法解码肾细胞癌 （RCC） 亚型分子机制的 mRNA 和 miRNA 组合

Hosseiniyan Khatibi SM, Ardalan M, Teshnehlab M, Vahed SZ, Pirmoradi S. Panels of mRNAs and miRNAs for decoding molecular mechanisms of Renal Cell Carcinoma (RCC) subtypes utilizing Artificial Intelligence approaches. Sci Rep. 2022 Sep 30;12(1):16393. doi: 10.1038/s41598-022-20783-7. PMID: 36180558; PMCID: PMC9525704.

利用人工智能方法解码肾细胞癌 （RCC） 亚型分子机制的 mRNA 和 miRNA 组合

肾细胞癌 （RCC） 包括三种组织学亚型，包括透明细胞 RCC （KIRC）、状 RCC （KIRP） 和疏色 RCC （KICH），每种亚型都有不同的临床病程、遗传/表观遗传驱动因素和治疗反应。本研究旨在确定参与RCC亚型发病机制的重要mRNA和microRNA面板。mRNA和microRNA转录本图谱是从癌症基因组图谱（TCGA）获得的，其中mRNA数据包括611名ccRCC患者，321名pRCC患者和89名chRCC患者，ccRCC亚型的616名患者，pRCC亚型的326名患者和chRCC中的91名患者用于miRNA数据。为了鉴定mRNA和miRNA，应用了基于过滤器和图形算法的特征选择。然后，使用深度模型对RCC的亚型进行分类。最后，采用关联规则挖掘算法揭示具有重要作用的特征，以触发导致RCC亚型的分子机制。77个mRNA和73个miRNA的面板可以区分KIRC，KIRP和KICH亚型，准确率分别为92%（F1分数≥0.9，AUC≥0.89）和95%的准确率（F1分数≥0.93，AUC≥0.95）。关联规则挖掘分析可以分别识别 KIRC 和 KIRP 规则中重复计数最高的 miR-28（重复计数 = 2642）和 CSN7A（重复计数 = 5794）以及 miR-125a（重复计数 = 2591）和 NMD3（重复计数 = 2306）。这项研究发现了新的mRNA和miRNA组合来区分RCC亚型，这能够为KIRC和KIRP的启动和进展的潜在责任机制提供新的见解。所提出的mRNA和miRNA组合具有作为RCC亚型生物标志物的巨大潜力，应在未来的临床研究中进行检查。

介绍

根据GLOBOCAN的报告，肾细胞癌（RCC）在常见癌症中排名第15位 1 .RCC 占成人所有恶性肿瘤病例的 3%，约占恶性肾肿瘤的 90% 2 .根据美国癌症协会的估计，每46名男性中有1名和每80名女性中就有1名将在一生中被诊断出患有RCC。此外，RCC 患者的 5 年生存率为 73.7% 3 .吸烟、肥胖和高血压是影响 RCC 发生的重要危险因素 4 .RCC的发病率和死亡率凸显了筛查计划的重要性，以开发可靠的生物标志物，以早期发现其亚型 5 .

肾癌的组织学亚型包括;透明细胞RCC（ccRCC或KIRC，占所有患者的60-80%），状RCC（pRCC或KIRP，10-15%），疏色RCC（chRCC或KICH，5-10%）和其他罕见亚型（<1%） 6 .KIRC通过VHL（von Hippel-Lindau）基因突变和3p染色体丢失来鉴定。与 KIRP 和 KICH 亚型相比，KIRC 的临床严重程度更高（5 年生存率分别为 55-60%、80-90% 和 90%） 7 由于缺乏用于早期检测的有效生物标志物。在早期阶段，KIRC通常无症状，25-30%的患者通常被诊断为转移状态;因此，死亡率很高 8 .KIRP的特征是染色体9p的丢失和染色体的三体性。在KIRP中，一些患者亚组具有令人满意的治疗结果，而广泛的患者需要制定有希望的治疗策略 9 , 10 .偶然检测到的小肾脏肿块存在重大诊断困境，因为其中一部分可能是良性的并且保守治疗 11 .低风险 RCC KICH 通过染色体丢失来识别，如果通过常规监测而不是手术进行谨慎治疗，可能会对患者构成轻微风险 11 .与其他RCC亚型相比，KICH具有巨大的早期诊断潜力，因为它的长期结果各不相同 12 .由于这些独特的临床和生物学行为，通过非侵入性和精确的生物标志物对RCC亚型进行区分和准确检测，可以自信地帮助医生做出适当的治疗决策。这可能不同于全肾切除术和肾部分切除术，甚至与密切随访不同。

已经表明，候选生物标志物对于不同RCC亚型的诊断和预后不可靠 13 – 16 并且它们都不能用于临床应用 17 .此外，计算机断层扫描（CT）和腹部超声在诊断小肿瘤方面存在成本高、敏感性低等问题。 4 , 18 .因此，开发针对不同类型RCC的无创和准确筛查是必要的。全面了解RCC亚型的分子机制是RCC研究中鉴定新颖可靠的分子生物标志物的主要挑战。

本研究旨在引入mRNA和miRNA组合，用于区分RCC的不同亚型，并通过机器学习和人工智能方法检测在RCC亚型中具有显着病理作用的显着分子。首先，我们实现了RNA测序数据的读取和预处理。接下来，为了识别候选特征（mRNA和miRNA），我们应用了基于过滤器和图形算法的特征选择。然后，为了评估选定的候选特征，我们采用深度学习模型对RCC的亚型进行分类。最后，采用关联规则挖掘算法检测在引发RCC亚型的分子机制中起重要作用的显著特征。

结果

我们对miRNA和mRNA数据执行了以下步骤（图）。 1 ).在特征选择步骤中，我们将基于图的方法应用于miRNA数据。首先，用 1545 个节点和 1，194，285 条边构建图形，并根据 阿姆格姆 和余弦相似性度量。接下来，鲁汶算法从每个社区/集群中识别出 40 个社区/集群;最后，利用MIS算法在群落/簇中筛选出73个候选miRNA。此外，β和γ，基于图的方法的参数分别设置为0.6和0.3。

在mRNA数据中，首先，我们使用基于过滤器的方法 阿姆格姆 度量以删除一些不相关的功能。在主要功能选择中，我们选择了 1000 个具有最高功能的顶级功能 阿姆格姆 值，然后我们对mRNA数据采用了基于图的方法。该图由 1000 个节点和 504，510 条边组成。接下来，通过鲁汶算法对mRNA网络图进行社区检测，该算法识别了73个社区/簇。最后，使用MIS算法从群落/簇中选出77个候选mRNA，其中基于图的方法的β和γ参数分别设置为0.5和0.3。补充表中报告了73种候选miRNA和77种候选mRNA的列表 1 和 2 分别。此外，这些候选mRNA和miRNA如图所示。 2 a 和 3 a 基于其排序 阿姆格姆 量。

图2

miRNA数据中特征选择和分类步骤的性能。（a） 基于归一化 AMGM 值的候选 miRNA 的条形图 （73）。（b） 训练和测试数据的混淆矩阵，其中0、1和2分别指向KIRP、KIRC和KICH组。（c） 训练和测试数据的受试者工作特性（ROC）曲线。报告每条曲线的接收器工作特性曲线下面积 （AUC-ROC）。

图3

mRNA数据中特征选择和分类步骤的呈现。（a） 候选 mRNA （77） 通过基于归一化 AMGM 值的条形图表示。（b） 训练和测试数据混淆矩阵。（c） 训练和测试数据的ROC曲线。报告每条曲线的 AUC-ROC。0、1 和 2 分别指向 KIRP、KIRC 和 KICH 组。AUC-ROC接收器工作特性曲线下面积。

我们应用分类器来评估RCC亚型中候选特征（mRNA / miRNA）的区分能力。在这方面，利用自组织深度自动编码器执行分类任务。精度，F1-评分，mRNA和miRNA数据的AUC在表中单独报告 2 .此外，图中显示了miRNA和mRNA数据的混淆矩阵和ROC曲线。 2 和 3 分别。结果表明，机器学习衍生的mRNA（准确度= 92%）和miRNA（准确度= 95%）组合可以显著区分这些亚型，并且具有很高的准确度。

在类似的研究中，所有亚型，包括ccRCC，pRCC，chRCC，WT（肾母细胞瘤）和RT（横纹肌样肿瘤），根据特征选择过程中选择的miRNA进行分类。然而，这些亚型在癌症性质和患者类型上是不同的。ccRCC，pRCC和chRCC是常见的成人肾癌。相比之下，WT和RT是常见的小儿肾癌。因此，所有亚型的特征选择和分类可能导致与小儿肾癌亚型相关的信息缺失。此外，由于这种差异，类似研究与所提出的方法的比较分类准确性将很困难。尽管如此，所应用方法的准确性如表所示 3 .此外，我们没有发现任何与基于mRNA数据的ccRCC，pRCC和chRCC亚型相关的类似研究进行比较。

在关联规则挖掘过程中，使用最小-最大归一化将候选特征缩放到 [0 1] 范围内。接下来，将候选特征（mRNA / miRNA）分为三类，包括低，中和高水平，因此miRNA和mRNA项目的数量分别等于212和233。然后，应用FP-Growth算法生成频繁的项集和关联规则。该算法的最小支持（频繁项集）、最大长度（频繁项集的最大长度）和提升（关联规则）等参数依次设置为 0.1、4 和 1.1。

为了发现模式，选择了因此等于 KIRC/KIRP/KICH 的关联规则。在miRNA数据中，与KIRC / KIRP相关的关联规则数量等于27，635/23，198。此外，在mRNA数据中，与KIRC/KIRP相关的关联规则数量等于94，354/28，956。由于 KICH 子类型中缺少样本，因此未生成频繁项集和相关关联规则;项集的支持计数小于最小支持阈值。在所选关联规则的前置部分中，具有最高重复计数的mRNA和miRNA被认为是每个RCC亚型的显着特征。在无花果中。 4 a、b 和 5 a，b，显着的miRNA和mRNA显示为基于KIRC / KIRP规则中重复计数的图形网络。此外，KIRC/KIRP关联规则的强度分布根据其支撑力、提升力和置信度如图所示。 4 c，d 和 5 c，d分别代表miRNA和mRNA。对此，根据排序的重复计数鉴定mRNA和miRNA（补充表 3 ).我们假设这些重复计数最高的顶级特征可能在特定亚型的发病机制中起重要作用。

图4

miRNA数据中KIRC / KIRP关联规则的关系和规范。在 （a） KIRC 和 （b） KIRP 关联规则中具有高重复计数的顶级 miRNA 的图网络。最常见的miRNA根据重复计数显示边缘的重量。此外，miRNA的AMGM值用节点的大小来说明。（c） KIRC 和 （d） KIRP 协会根据其支持、提升和信心规则的强度分布。KIRC肾透明细胞癌，KIRP肾状细胞癌，KICH肾疏色癌。

图5

mRNA数据中的KIRC / KIRP关联规则。具有高重复计数的顶级mRNA的（a）KIRC和（b）KIRP关联规则的图网络。最常见的mRNA与基于重复计数的边缘重量一起显示。mRNA的AMGM值用节点的大小来说明。（c） KIRC 和 （d） KIRP 协会根据其支持、提升和信心规则的强度分布。KIRC肾透明细胞癌，KIRP肾状细胞癌，KICH肾疏色癌。

KIRC和KIRP亚型中五个顶级miRNA和mRNA的箱形图如图所示。 6 .在显著的miRNA和mRNA的箱形图中比较中位数、四分位距和晶须，表明所有RCC亚型均存在显著差异。KIRC/KIRP 规则的五个顶级 miRNA 和 mRNA 的对图如补充图所示。 1 c，d 和 2 C，d，分别。此外，KRIC/KIRP规则的前十名miRNA和mRNA的相关性在补充图中显示。 1 a、b 和 2 a，b，分别基于斯皮尔曼相关性。

图6

选择的miRNA和mRNA基于关联规则挖掘步骤。（a）KIRC和（b）KIRP组的选定miRNA的箱线图。（c）KIRC和（d）KIRP组的选定mRNA的箱线图。miRNA和mRNA的表达值通过min-max方法在0至1范围内归一化。KIRC肾透明细胞癌，KIRP肾状细胞癌，KICH肾疏色癌。

CSN7A （ENSG00000111652.8） 和 NMD3 （ENSG00000169251.11） 是最常见的项集，在 KIRC 和 KIRP 关联规则中分别有 5774 次和 2306 次重复计数。此外，miR-28 和 miR-125a 是最常见的项集，在 KIRC 和 KIRP 关联规则中分别有 2642 次和 2591 次重复计数。因此，我们决定使用其他关联规则更密切地检查这些miRNA和mRNA，以研究它们与另一个特征的关系。有关这些发现的更深入报道，请参阅该研究的讨论部分。在这方面，我们根据图网络中的关联规则展示了这些关系（图。 7 和 8 ).

图7

miRNA和mRNA的关系和规格基于KIRC关联规则。（a）has-miR-28（支持>1.66）相关关联规则的图网络，其中鉴定的miRNA，其规则和miRNA分别以橙色，黄色和蓝色呈现。（b）ENSG00000111652.8相关关联规则的图网络（支持>0.3和提升>1.4），其中ENSG00000111652.8，规则，mRNA，分别以红色，黄色和蓝色呈现。

图8

miRNA和mRNA的关系和规格基于KIRP关联规则。（a）has-miR-125a（支持>1.26）相关关联规则的图网络，其中鉴定的miRNA，其规则和miRNA分别以橙色，黄色和蓝色呈现。（b）ENSG00000169251.1相关关联规则的图网络（支持>0.2和提升>1.145），其中ENSG00000169251.1，规则，mRNA分别以红色，黄色和蓝色呈现。

在图内。 7 a，很明显，HAS-miR-28是KIRC关联规则中最常见的miRNA，分别对has-let-7i，has-miR-196a-2，has-miR-324，has-miR-198和has-miR-152具有高度依赖性。在图内。 8 a，很明显，HAS-miR-125a是KIRP关联规则中最常见的miRNA，分别对has-miR-99b，has-miR-374b，has-miR-186，has-miR-28和has-miR-32具有高度依赖性。在图内。 7 b，值得注意的是，CSN7A是KIRC缔合规则中最常见的mRNA，分别对ENSG00000110801.12（PSMD9）、ENSG00000126247.9（CAPNS1）、ENSG00000130560.7（UBAC1）、ENSG00000100138.12（SNU13）和ENSG00000143344.14（RGL1：Ral鸟嘌呤核苷酸解离刺激物如1）具有高度依赖性。在图内。 8 b，可观察到KIRP缔合规则中最常见的miRNAENSG00000169251.11（NMD3）分别对ENSG00000126247.9（CAPNS1）、ENSG00000185085.2 INTS5（积分复合亚基5）和ENSG00000163001.10（CFAP36）具有高度依赖性。

讨论

我们对RCC亚型中miRNA和mRNA的临床显着模式进行了全面的机器学习分析。由77个候选mRNA组成的小组和73个miRNA的小组可以高精度地区分KIRC和KIRP。关联规则挖掘分析可以识别重复计数最高的顶级mRNA和miRNA，表明它们在每个RCC亚型中可能的病理作用。CSN7A和miR-28以及NMD3和miR-125a分别是KIRC和KIRP协会规则中最常见的项目集。这些mRNA的作用以前从未在RCC中研究过。在以下章节中，我们根据已发表的文献简要讨论了这些mRNA和microRNA在KIRC和KIRP发病机制中的可能作用。

KIRC中的候选RNA

CSN7A、UBAC1、PSMD9、RNF40和Capn4被鉴定为KIRC中重复计数最高的念珠菌mRNA。机器学习方法可以检测KIRC领域的新靶点，并将UPS（泛素-蛋白酶体系统）及其组件（CSN7A，UBAC1，PSMD9和RNF40）带入关注的焦点。UPS对调节蛋白的降解在控制细胞周期进程、DNA修复、对细胞外应激的反应和信号转导方面具有重要作用。泛素、蛋白酶体、泛素化酶（包括泛素激活 （E1）、偶联酶 （E2s） 和连接酶 （E3s） 以及去泛素化酶是 UPS 系统的关键组成部分 36 .大多数E3连接酶是cullin-RING连接酶（CRL），其决定底物选择性以响应特定刺激，以被蛋白酶体降解或改变其功能。COP9信号体（CSN）是UPS的另一个组成部分，是一种多亚基（CSN 1-8）金属蛋白酶复合物 37 在基因表达、细胞周期控制和DNA损伤反应中发挥作用 38 ，并增加一些蛋白质的稳定性，包括EGFR 39 .此外，CSN在控制NF-κB的活性中起作用，NF-κB是一种参与细胞存活，增殖和转化的炎症转录调节因子 40 , 41 .

VHL是E3泛素连接酶复合物的底物识别亚基，其在常氧下将羟基化靶标聚泛素化 42 .在VHL的损失下，其特定靶点，缺氧诱导因子（HIF1α和HIF2α）的降解不发生，使假缺氧状态。VHL 缺乏和 HIF-1 的积累都会促进 NF-κB 活性，从而刺激 NF-κB/PI3K/AKT/TGF-β/EGFR/IKK 信号级联反应，导致增殖和糖酵解途径的激活、促血管生成和细胞凋亡抵抗表型以及高度血管化的肿瘤 43 , 44 .据报道，CSN提高了VHL介导的HIF-1α识别，泛素化和降解的功效 45 .

在我们的深度学习分析中，CSN的7a亚基CSN7A（COPS7A）被确定为第一个在KIRC中具有最高作用的顶级mRNA。据报道，在肿瘤组织中，CSN7A水平降低，这可能与氧化磷酸化途径有关 46 和转录偶联核苷酸切除DNA修复 47 .此外，过表达的CSN7A可以刺激IκBα去泛素化;因此，抑制NF-κB的转录活性 48 .CSN7A影响KIRC的机制尚未确定;但是，CSN7A在KIRC中可能具有类似的功能。

UBAC1是本研究中第二个鉴定的mRNA，是KPC复合物（一种E3泛素蛋白连接酶）的亚基。UBAC1与蛋白酶体和泛素化蛋白（如Nf-κB）一起起作用 49 , 50 .UBAC1还有助于炎症信号转导途径，并影响角质形成细胞的增殖和活力 51 .需要澄清UBAC1在KIRC中的作用。PSMD9是3RD在我们的规则挖掘分析中发现的顶级 KIRC 相关 mRNA。PSMD9作为26S蛋白酶体的一部分，调节蛋白质降解 52 .PSMD9在肿瘤组织中过表达，与细胞增殖、不良肿瘤结局和对治疗的耐药性有关 53 – 55 .由于不同的肿瘤抑制因子和癌基因由Ub和蛋白酶体介导的降解控制，因此CSN7A，UBAC1，PSMD9和RNF40可能在KIRC的发病机制中起重要作用。KIRC协会规则中的CSN7A分别高度依赖于PSMD9，CAPNS1和UBAC1，SNU13。我们的研究可能为研究CSN7A，UBAC1，PSMD9和RNF40在KIRC发病机制中的作用开辟了一个创新的视野。

microRNA是RCC发展和进展的关键管理者。他们充当 oncomirs 或 anticomir。miR-28，let-7i，miR-23b，miR-125a，miR-22是KIRC中前五名已鉴定的失调的miRNA。有关更多详细信息，请参阅 补充文件 ，讨论部分。

KIRP中的候选RNA 

在规则挖掘分析中，NMD3、ZNF41、CFAP36、FGFR1OP2和RGL1被确定为KIRP中具有高关联规则的前五名mRNA（≥ 2195）。

核糖体蛋白的转录模式具有肿瘤和组织特异性 56 并且它们诱导的异常翻译可引起独立于染色质重塑和转录过程失调的恶性表型 57 .60S核糖体输出蛋白NMD3（NMD3）是本研究中第一个发现的参与KIRP发病机制的mRNA。NMD3是一种核衔接蛋白，通过核孔复合物将60S亚基转运到细胞质中，参与60S颗粒的细胞质成熟 58 , 59 .在细胞质中，从60S亚基释放NMD3p需要GTP酶和核糖体蛋白（Rpl10p）。这些蛋白质中的任何突变都会导致NMD3在60S前亚基上的细胞质保留，阻断核糖体组装和生物发生 60 , 61 .NMD3对RNA的生物合成（主要是核糖体RNA）也有显著影响，因此可能影响肿瘤发生 62 .NMD3的直接作用需要在KIRP中阐明。

miR-125a、miR-23b、miR-210、miR-99b和miR-101-2分别是KIRP中发现的前5个失调的miRNA。本研究中鉴定的候选mRNA和miRNA的可能病理作用如图所示。 9 并在 补充文件 更详细。尽管KIRP机制还有很多需要阐明，但NMD3，ZNF41，CFAP36，FGFR1OP2和RGL1的作用引起了相当大的兴趣。KIRP中的NMD3分别对CAPNS1、INTS5和CFAP36具有高度依赖性。

图9

深度学习衍生的mRNA和miRNA在KIRC和KIRP发病机制中的可能作用（通过深度学习方法鉴定）。（A）CSN7A，UBAC1，PSMD9，RNF40，Capn4，TMEMs，CFL1，CFL1和ZBTB7A在KIRC中被鉴定为念珠菌mRNA（由1-10表示），通过关联规则挖掘分析重复计数最高。UPS 由 Ub、蛋白酶体、泛素化（E1、E2 和 E3）和去泛素化酶组成。VHL是CRL复合物的底物识别亚基，其多泛素化其靶标（HIF和NF-κB）以降解。在KIRC中，VHL基因发生突变或下调，导致这些靶点的积累，形成假缺氧状态和高度血管化的肿瘤。CSN7A、UBAC1 和 PSMD9 是本研究中确定的 UPS 组件。（1）CSN7A通过IκBα去泛素化可以抑制NF-κB的转录活性。（2）UBAC1参与细胞周期蛋白的泛素化和降解。（3）PSMD9（P9）可能参与维持核仁的完整性和形态，并影响细胞存活和细胞周期调节。KIRC关联规则中的COPS7A分别高度依赖于PSMD9，Capn4和UBAC1，SNU13（由虚线表示）。（B）NMD3、ZNF41、CFAP36、FGFR1OP2、RGL1、BTF3、RIOK3、NOL8、ANP32A和MTFMT被确定为KIRP中具有高缔合规则的前十名mRNA。（1）NMD3是一种核衔接蛋白，将核糖体60S亚基转运到细胞质中，参与核糖体60S颗粒的细胞质成熟。它还影响RNA的生物合成，主要是核糖体RNA，并可能影响肿瘤发生。（2）ZFP41是不同基因转录的调节因子。（3）CFAP36是Arl3的结合伴侣，Arl3是初级纤毛中的小GTP酶。初级纤毛参与纤毛形成、细胞周期调节和癌细胞有丝分裂。KIRP中的NMD3分别对CAPNS1、INTS5和CFAP36具有高度依赖性（用虚线表示）。更多详情请见正文和 补充文件 ，讨论部分。ANP32A 酸性核磷蛋白 32 家族成员 A， BLES03 嗜碱性白血病表达蛋白， BTF3 碱性转录因子 3， CFAP36 纤毛和鞭毛相关蛋白 36， CAPN4 钙蛋白酶小亚基 1， CFL1 Cofilin1， CRLs E3 连接酶是 cullin-RING 连接酶， CSN7A COP9 信号体亚基 7A， FAK 粘附激酶， FGF 成纤维细胞生长因子，FGFR1OP2FGF 受体 1 癌基因伙伴 2、HIF1 缺氧诱导因子、INTS5 积分复合物亚基 5、MMP2/9 基质金属蛋白酶 2/9、MTFMT 线粒体蛋氨酸-tRNA 甲酰转移酶、NF-κB 核因子 κb、NOL8 核仁蛋白 8、PSMD9 蛋白酶体 26S 亚基、非 ATP 酶 9、RGL1 Ral 鸟嘌呤核苷酸解离刺激物，如 1、RNF40 无名指蛋白40，RIOK3 RIO激酶3，SNU13小核糖核蛋白13，TMEM94跨膜蛋白94，TZ过渡区，Ub泛素，UBAC1 UBA结构域含1，UPS泛素-蛋白酶体系统， ZBTB7A锌指和含BTB结构域7A，ZFP41锌指蛋白41。

本研究中提出的分子特征将为负责KIRC和KIRP启动和发展的潜在机制提供新的见解。此外，以高质量水平诊断KIRC和KIRP的能力将有助于病理学家准确区分RCC最常见的亚型。通过这种方式，可以获得适当的临床决策策略。此外，人工智能准确区分RCC的能力可以降低不必要的干预率。我们开发分子区分模式的尝试有一些局限性。首先，我们没有评估RCC模型中候选RNA的分子机制。需要进行体外和体内研究以实现这一目标。其次，我们没有验证临床样本中鉴定出的RNA。未来的研究将在大样本研究中解决这个问题。我们相信，从突变、多态性、拷贝数改变和DNA甲基化平台中添加其他特征将有效解决RCC亚型的判别问题，并改善其早期检测。

结论

本文介绍了深度学习驱动的生物标志物，用于区分RCC的常见亚型。77 个 mRNA 和 73 个 miRNA 的面板可以高精度地区分 KIRC、KIRP 和 KICH 亚型。CSN7A和miR-28以及NMD3和miR-125a分别是KIRC和KIRP协会规则中最常见的项目集。由于蛋白质编码区的频繁突变和未折叠蛋白质的负担增加;对于那些快速分裂癌细胞的人来说，蛋白质更新率的提高是必要的。因此，抑制UPS成分似乎是KIRC治疗的一个有希望的策略。本研究中鉴定出的mRNA和microRNA可以调节信号转导，细胞周期机制和细胞凋亡，并且都是致癌和癌症进展的相关贡献者。因此，它们可能进一步了解RCC亚型的发病机制、诊断、预后和分子靶向治疗（图）。9).

‍

打赏