Cancer research
Path2Omics Enhances Transcriptomic and Methylation Prediction Accuracy From Tumor Histopathology

小赛推荐：

本研究开发了Path2Omics，一种基于深度学习的框架，可独立从30种TCGA癌症类型的组织病理学切片中预测基因表达和甲基化。Path2Omics在FF和FFPE切片上均表现出色，并通过整合模型进一步提升预测准确性。预测的基因表达数据在患者生存和治疗反应预测中表现优异，与实际测量数据相当。

 

文献概述
本文《Path2Omics Enhances Transcriptomic and Methylation Prediction Accuracy From Tumor Histopathology》，发表于《Cancer research》杂志，回顾并总结了利用组织病理学切片预测基因表达和甲基化数据的深度学习框架Path2Omics。研究显示，该框架在多个外部数据集中表现优异，甚至在以FFPE切片为主的验证数据中，FF模型也表现出比FFPE模型更高的准确性。

背景知识
在精准肿瘤学领域，分子数据（如基因表达和甲基化）是治疗决策和预后评估的重要依据，但获取这些数据成本高且耗时。因此，基于常规组织病理学切片预测分子特征的方法成为研究热点。近年来，深度学习模型被用于从数字病理图像中推断分子特征，如基因突变、RNA表达和DNA甲基化。然而，大多数方法仅基于FFPE切片，而Path2Omics则首次系统性地利用FF切片进行训练，并通过整合FFPE和FF模型提升预测性能。本研究的创新点在于结合两种切片类型，解决了图像质量与分子数据匹配之间的权衡问题，并在患者生存和治疗反应预测中展现出临床应用潜力。

 

提供标准化的小鼠表型分析服务，包括行为学、生理生化、代谢分析和细胞功能检测，支持神经科学、疾病模型研究和药理学实验。

了解更多

 

研究方法与实验
研究团队开发了Path2Omics，一个深度学习框架，分别训练FFPE模型和FF模型，再通过集成学习整合两者预测结果。数据来源于TCGA、CPTAC、TransNeo-Breast和PBCP等数据库，涵盖30种癌症类型。模型训练使用五层交叉验证，每轮分为训练集和验证集，同时确保患者层面的数据分割以防止信息泄露。特征提取采用CTransPath模型，预测任务则使用多层感知机（MLP）回归。此外，研究还评估了模型在预测乳腺癌分子亚型、患者生存及治疗反应中的表现，使用Kaplan-Meier曲线、C-index、AUC和OR（Odds Ratio）等指标。

关键结论与观点

• FF模型在基因表达预测任务中显著优于FFPE模型，即使在主要由FFPE切片组成的外部验证数据中。
• 集成模型在7个外部数据集中表现最佳，平均预测4,400个基因（共18,000个），相较FFPE模型提升30%。
• Path2Omics预测的基因表达与实际测量数据在生存分析中高度一致，12个癌症队列中，10个成功区分高风险与低风险患者。
• 在乳腺癌治疗反应预测中，Path2Omics相较其他模型（如DeepPT和Direct模型）表现出更高的AUC和OR值，尤其在PBCP队列中表现最优。
• Path2Omics在多个癌症类型中预测DNA甲基化数据也优于FFPE模型，且与基因表达预测高度相关，Pearson相关性达0.88。

研究意义与展望
Path2Omics提供了一种基于常规组织病理学切片快速且经济地预测癌症基因表达和甲基化的方法，为精准肿瘤学提供了一种替代分子检测的方案。未来研究可进一步扩展该模型至更多癌症类型，并探索其在实时临床决策中的应用。此外，该框架还可用于预测其他组学特征，如蛋白表达和拷贝数变异，从而推动多组学整合分析。

 

提供多种基因编辑大鼠模型，涵盖肿瘤学、免疫学、感染性疾病等研究方向，支持IND申报和药效评估。

了解更多

 

结语
本研究提出Path2Omics，一个基于组织病理学切片预测癌症基因表达和甲基化的新框架。该模型在多个数据集中表现稳健，且预测结果与患者生存和治疗反应高度一致。Path2Omics的开发为精准肿瘤学提供了新的工具，尤其适用于无法获取分子数据的临床场景，具有广阔的应用前景。

 

Danh-Tai Hoang, Eldad D Shulman, Saugato Rahman Dhruba, Kenneth Aldape, and Eytan Ruppin. Path2Omics Enhances Transcriptomic and Methylation Prediction Accuracy from Tumor Histopathology. Cancer research.