Neuroendokrin neoplasma baseret på multi-omics integreret analyse

I de senere år har innovationen af ​​high-throughput sekventeringsteknologi i høj grad fremmet forståelsen af ​​sygdomsmekanismer på molekylært niveau. Det er et ubestrideligt faktum, at der er store forskelle i prognosen for tumorer med samme patologiske type og stadium klinisk. Et stort antal undersøgelser har vist, at forskellen i prognose er tæt forbundet med tumorens heterogenitet. I de seneste par år har individualiseret præcisionsbehandling i høj grad kunne forbedre patienternes prognose. Undersøgelser har vist, at undergruppeklassificering af tyktarmskræft baseret på somatiske mutationer og signalvejsaktivering i TCGA-databasen i høj grad har forbedret nøjagtigheden af ​​diagnosen og behandlingens effektivitet. Lehmanns team opdelte prøverne i seks typer baseret på genekspressionsprofilen for triple-negativ brystkræft: immunmodulerende type, mesenchymal type, mesenchymal stilklignende type, androgenreceptortype og to basallignende typer. Denne typebestemmelsesmetode kombinerer rollen som normale matrix- og immuncelletransskriptionsniveauer i tumormikromiljøet og udforsker deres kliniske karakteristika og behandlingsstrategier i henhold til forskellige undertyper. Imidlertid er ingen enkelt omics tilstrækkelig til at belyse den komplekse patogenese af tumorer. Derfor er den integrerede analyse af flere omics en udviklingstendens, som vil hjælpe med at afklare patogenesen af ​​tumorer og opdage potentielle lægemiddelbehandlingsmål. Den interaktive analyse af fænotypiske data og molekylære omics-data kan ikke kun hjælpe os med at analysere sammenhængen mellem biologiske fænotyper og molekylære fænotyper, men også give os mulighed for at forstå den mikroskopiske molekylære mekanisme af makrobiologiske fænotyper. For eksempel kan billeddannelsesfænotyper baseret på CT og MRI bruges til at udforske vigtige proteinmarkører relateret til dem, hvilket giver eksperimentelt og teoretisk grundlag for at vejlede fremtidig klinisk lægemiddelmålrettet terapi og forskning i lægemiddelresistensmekanismer. Hvad der er mere interessant er, at forholdet mellem molekylær klassificering af tumorer baseret på molekylær omics og etableringen af ​​fænotypiske genkendelsesmodeller såsom billeddiagnostik også kan få fænotypi såsom billeddiagnostik til at blive en guide for målrettet tumorterapi. En vigtig metode. For neuroendokrine tumorer med en høj grad af heterogenitet er det derfor meget nødvendigt at analysere dem fra flere omics perspektiv. Men i de nuværende offentlige databaser TCGA og GEO er de eksklusive NEN-genomiske data ekstremt knappe, og der er næsten ingen data såsom proteomics, epiomics, metabolomics og imagingomics. Derfor er det presserende at udføre eksklusiv NEN multi-omics big data-analyse for omfattende og dybdegående undersøgelse af genese og udviklingsmekanisme af neuroendokrine tumorer.

Dette projekt har til hensigt at analysere NENs molekylærbiologiske karakteristika baseret på multi-omics analyse, udvikle en eksklusiv NEN multi-omics big data platform og udføre molekylære subtyper. Vi håber, at denne undersøgelse kan finde den molekylære mekanisme og potentielle interventionsmål for NEN-tilbagefald og metastaser og give klinikere sikre og effektive behandlingsstrategier og derved forbedre den terapeutiske effekt af neuroendokrine tumorer.