Association of Omics Features with Histopathology Patterns in Lung Adenocarcinoma.
Association of Omics Features with Histopathology Patterns in Lung Adenocarcinoma.
复制标题
DOI：
10.1016/j.cels.2017.10.014
复制
发表时间：
2017-12-27
期刊：
影响因子：
9.3
通讯作者：
Snyder M
中科院分区：
文献类型：
--
作者：
Yu KH;Berry GJ;Rubin DL;Ré C;Altman RB;Snyder M
腺癌占肺恶性肿瘤的40%以上，其诊断离不开显微病理评价。然而，组织病理学结果与分子异常的关系在很大程度上仍然未知。在这里，我们从癌症基因组图谱中获得了苏木精和伊红染色的全切片组织病理学图像、病理报告、rna测序和蛋白质组学数据，并使用这些数据来识别与组织病理学模式相关的分子途径。我们报告了支持肿瘤细胞去分化的细胞周期调节和核苷酸结合途径，并使用转录组学和蛋白质组学特征（曲线下面积> 0.80）预测组织学分级。我们建立了一个整合的组织病理学-转录组学模型，与单独的基因表达或组织病理学研究相比，可以更好地预测I期患者的预后（P=0.0182±0.0021），并且结果在独立队列中得到了重复（P=0.0220±0.0070）。这些结果激发了组织病理学和组学数据的整合，以研究病理发现的分子机制，并加强临床预后预测。整合组学-组织病理学分析确定了与肺腺癌分化相关的基因和蛋白质表达模式。使用转录组学和组织病理学信息的正则化机器学习模型可以更好地预测I期肺腺癌患者的生存结果，其结果在独立队列中得到了重复。
Adenocarcinoma accounts for more than 40% of lung malignancy, and microscopic pathology evaluation is indispensable for its diagnosis. However, how histopathology findings relate to molecular abnormalities remains largely unknown. Here we obtained hematoxylin and eosin stained whole-slide histopathology images, pathology reports, RNA-sequencing, and proteomics data of 538 lung adenocarcinoma patients from The Cancer Genome Atlas and used these to identify molecular pathways associated with histopathology patterns. We report cell cycle regulation and nucleotide binding pathways underpinning tumor cell dedifferentiation, and we predicted histology grade using transcriptomics and proteomics signatures (area under curve > 0.80). We built an integrative histopathology-transcriptomics model to generate better prognostic predictions for stage I patients (P=0.0182±0.0021) compared with gene expression or histopathology studies alone, and the results were replicated in an independent cohort (P=0.0220±0.0070). These results motivate the integration of histopathology and omics data to investigate molecular mechanisms of pathology findings and enhance clinical prognostic prediction. Integrative omics-histopathology analyses identified the gene and protein expression patterns associated with lung adenocarcinoma differentiation. Regularized machine-learning models using both transcriptomics and histopathology information better predicted the survival outcomes of stage I lung adenocarcinoma patients, with the results replicated in an independent cohort.
登录
查看更多内容
影响因子：
1.2
作者：
Gu J;Zhou Y;Huang L;Ou W;Wu J;Li S;Xu J;Feng J;Liu B
通讯作者：
Liu B
影响因子：
12.3
作者：
Carpenter AE;Jones TR;Lamprecht MR;Clarke C;Kang IH;Friman O;Guertin DA;Chang JH;Lindquist RA;Moffat J;Golland P;Sabatini DM
通讯作者：
Sabatini DM
DOI：
10.1038/modpathol.2012.58
发表时间：
2012-08
期刊：
Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
影响因子：
--
作者：
通讯作者：
--
影响因子：
3.8
作者：
Dong, Fei;Davineni, Phani K.;Beck, Andrew H.
通讯作者：
Beck, Andrew H.
影响因子：
6.2
作者：
Barletta, Justine A.;Yeap, Beow Y.;Chirieac, Lucian R.
通讯作者：
Chirieac, Lucian R.