Deep-learning-enabled multi-omics analyses for prediction of future metastasis in cancer.
期刊Nature communications
发表日期2026-08-31
影响因子IF 18.1
涉及基因HSP90AA1、HSP90AB1、YY1
编辑类型未使用基因修饰模型
实验用途开发深度学习框架EmitGCL预测癌症未来转移并识别相关生物标志物
中文研究总结
本研究开发了EmitGCL深度学习框架，用于准确预测癌症未来转移及其相关生物标志物。该框架在来自7个队列的6种癌症类型中表现优于其他计算工具，具有更高的灵敏度和特异性。研究识别出HSP90AA1和HSP90AB1作为乳腺癌转移的可预测生物标志物，并通过体外药理学抑制HSP90减少乳腺癌细胞迁移得到验证（n=420）。此外，研究证实YY1转录因子是乳腺癌转移的关键驱动因子，通过计算机模拟、CRISPR迁移测定和体内小鼠肺定植实验进一步证实，表明YY1是潜在的治疗靶点。
相关服务
需要构建相关基因编辑小鼠、条件敲除模型或开展动物实验，可联系鼠来宝获取方案建议。
咨询模型方案