迈向精准肿瘤学：用于癌症组织空间分子分析的无监督流形学习

《BMC Bioinformatics》：Towards precision oncology: unsupervised manifold learning for spatial molecular profiling in cancer tissues

摘要

精准肿瘤学依赖于对癌症组织中空间分子分布的准确表征，以发现关键的生物标志物并指导临床决策。然而，质谱成像（MSI）数据的高维度和复杂性给有效分析带来了重大挑战。本研究提出了一种无监督流形学习框架，通过将高维MSI数据映射到低维空间来应对这些挑战，同时保留了重要的分子模式。该方法能够高效地降低数据维度、进行聚类和可视化，从而便于发现空间分辨的分子特征。将该方法应用于前列腺癌和结直肠腺癌的数据集后，能够准确识别癌变区域，并揭示出相关性高达0.79的分子标志物。这些发现表明，无监督流形学习在提高MSI数据的可解释性和实用性方面具有潜力，为改进生物标志物的发现和癌症诊断奠定了基础。