IF33.9!郑州大学第一附属医院张振宇教授等团队用“机器学习+多组学”拿下双一区TOP刊!解锁胶质母细胞瘤异质性真相!

点击蓝字，关注我吧~

01. 文献解读

中文标题：基于多组学数据的机器学习模型可实现胶质母细胞瘤风险分层并鉴定其分子异质性与治疗靶点

发表期刊：Molecular Cancer

发表时间：2026年3月7日

影响因子：33.9/Q1

联系元数医研，手把手教你创新选题，定制思路，全面数据分析，下一篇高分SCI就是你！

02. 研究背景

GBM是高度异质性的脑癌，预后差，治疗挑战大，现有分类模型多基于单一组学数据，难以全面刻画肿瘤复杂性。随着多模态数据的积累，利用机器学习进行整合分析，有望为精准风险分层和靶向治疗提供新策略。

03. 研究方法

🔹数据收集与处理：收集1187例IDH野生型GBM患者的影像、病理、基因组、转录组、蛋白质组数据，并对各模态数据进行标准化处理和特征提取。

🔹晚期融合建模：采用“晚期融合”策略，先在每种单组学数据上构建最优预后模型，再将五个风险评分通过Cox回归整合为最终的多组学风险评分。

🔹验证与机制探索：利用内部和外部数据验证模型性能。通过基因组、转录/蛋白组功能分析，单细胞及空间转录组学，解析风险分组的分子机制并筛选治疗靶点。

04. 研究结果

研究构建了一个整合转录组、蛋白质组、基因组、磁共振影像与病理切片共五种数据的胶质母细胞瘤多模态预后模型。验证表明，该融合模型在多项核心指标上均显著优于任何单一模态模型（图1）。

胶质母细胞瘤高低风险亚群存在显著突变差异：高风险组富集TP53突变及细胞周期与免疫相关通路；低风险组突变则富集于神经元功能与代谢通路（图2）。

研究揭示了胶质母细胞瘤高低风险亚群存在不同的拷贝数变异图谱，并识别出16个差异显著的染色体区带。其中，高风险组拷贝数变异与肿瘤信号通路和细胞周期密切相关，而低风险组则主要与糖基化等功能改变相关（图3）。

胶质母细胞瘤高低风险亚群在转录与蛋白层面存在截然不同的核心生物学过程。高风险组以细胞周期、免疫应答和代谢活跃为特征，而低风险组则富集于神经元功能和突触信号传导通路（图4）。

基于多组学的风险分层可清晰区分胶质母细胞瘤的两种异质性亚群：高风险亚群以细胞增殖与免疫活化为主，而低风险亚群则富集神经元活动通路。此多模态分层揭示了比传统转录组分型更复杂的肿瘤异质性（图5）。

研究基于多组学数据筛选出胶质母细胞瘤高风险相关的关键基因PDIA4、RFT1与EIF3I。体内外功能实验证实，敲低任一基因均能显著抑制肿瘤细胞的增殖、迁移、侵袭及体内成瘤能力（图6）。

总结