Refine
Has Fulltext
- yes (2)
Is part of the Bibliography
- yes (2)
Document Type
- Doctoral Thesis (2) (remove)
Keywords
- Prognose (2) (remove)
Institute
- Graduate School of Life Sciences (2) (remove)
Machine-Learning-Based Identification of Tumor Entities, Tumor Subgroups, and Therapy Options
(2023)
Molecular genetic analyses, such as mutation analyses, are becoming increasingly important in the tumor field, especially in the context of therapy stratification. The identification of the underlying tumor entity is crucial, but can sometimes be difficult, for example in the case of metastases or the so-called Cancer of Unknown Primary (CUP) syndrome. In recent years, methylome and transcriptome utilizing machine learning (ML) approaches have been developed to enable fast and reliable tumor and tumor subtype identification. However, so far only methylome analysis have become widely used in routine diagnostics.
The present work addresses the utility of publicly available RNA-sequencing data to determine the underlying tumor entity, possible subgroups, and potential therapy options. Identification of these by ML - in particular random forest (RF) models - was the first task. The results with test accuracies of up to 99% provided new, previously unknown insights into the trained models and the corresponding entity prediction. Reducing the input data to the top 100 mRNA transcripts resulted in a minimal loss of prediction quality and could potentially enable application in clinical or real-world settings.
By introducing the ratios of these top 100 genes to each other as a new database for RF models, a novel method was developed enabling the use of trained RF models on data from other sources.
Further analysis of the transcriptomic differences of metastatic samples by visual clustering showed that there were no differences specific for the site of metastasis. Similarly, no distinct clusters were detectable when investigating primary tumors and metastases of cutaneous skin melanoma (SKCM).
Subsequently, more than half of the validation datasets had a prediction accuracy of at least 80%, with many datasets even achieving a prediction accuracy of – or close to – 100%.
To investigate the applicability of the used methods for subgroup identification, the TCGA-KIPAN dataset, consisting of the three major kidney cancer subgroups, was used. The results revealed a new, previously unknown subgroup consisting of all histopathological groups with clinically relevant characteristics, such as significantly different survival. Based on significant differences in gene expression, potential therapeutic options of the identified subgroup could be proposed.
Concludingly, in exploring the potential applicability of RNA-sequencing data as a basis for therapy prediction, it was shown that this type of data is suitable to predict entities as well as subgroups with high accuracy. Clinical relevance was also demonstrated for a novel subgroup in renal cell carcinoma. The reduction of the number of genes required for entity prediction to 100 genes, enables panel sequencing and thus demonstrates potential applicability in a real-life setting.
Depressionen gehören zu den häufigsten psychischen Erkrankungen. Neben Symptomen wie Niedergeschlagenheit, Interessenlosigkeit oder Schlafstörungen sind Depressionen auch durch Defizite in kognitiven Funktionen, wie z.B. Aufmerksamkeitsprozessen oder der Wahrnehmung, und eine negativ verzerrte Informationsverarbeitung gekennzeichnet.
Aufgrund der hohen Prävalenz, der starken psychosozialen Funktionseinschränkungen durch depressive Erkrankungen und deren rezidivierenden Charakter besteht die Notwendigkeit, die therapeutischen Interventionen zur Behandlung affektiver Störungen zu verbessern, dadurch die Krankheitsphase der Patienten zu verkürzen und letztendlich auch die Kosten für das Gesundheitssystem zu reduzieren. In diesem Zusammenhang werden in den letzten Jahren verstärkt mögliche Prädiktoren und Korrelate des Therapieerfolgs untersucht. Hierfür könnten negativ verzerrte Informationsverarbeitungsprozesse und Defizite in kognitiven Funktionen objektive Marker darstellen.
Im ersten Teil dieser Arbeit wurde der Covariation Bias, der als Überschätzung des Zusammenhangs zwischen einem krankheitsrelevanten Stimulus und einer aversiven Konsequenz definiert wird, in einem Querschnittsdesign bei schwer depressiven Patienten zu Behandlungsbeginn im Vergleich zu einer Gruppe von Patienten nach einer sechswöchigen Behandlung sowie einer gesunden Kontrollgruppe untersucht. Diese kognitive Verzerrung war bei Patienten mit schwererer Symptomatik unabhängig vom Behandlungszeitpunkt stärker ausgeprägt. Zudem prädizierte der Covariation Bias zu Behandlungsbeginn das Therapieoutcome nach sechs Behandlungswochen dahingehend, dass Patienten mit einer stärkeren kognitiven Verzerrung ein schlechteres Ansprechen auf die Therapie zeigten.
Im zweiten Teil dieser Arbeit wurde das Emotional Processing Paradigma, das aus Aufgaben zur Emotionserkennung und zur Aufmerksamkeitslenkung besteht, zum ersten Mal bei schwer depressiven Patienten im intraindividuellen Verlauf der Behandlung eingesetzt und in Zusammenhang mit dem Therapieerfolg gestellt. Neben Hinweisen darauf, dass Patienten, bei denen sich in den ersten Behandlungswochen unter anderem die Salienz negativer Emotionen verringerte, mit höherer Wahrscheinlichkeit remittierten, zeigten sich vor allem zeitlich stabile Unterschiede im Sinne einer Trait-Variablen zwischen Patienten, die auf die initiale Therapie ansprachen, und Patienten, die keine bedeutsame Verbesserung erfuhren, in den globalen kognitiven Funktionen: Patienten, bei denen es zu keiner klinisch relevanten Verbesserung durch die Therapie kam, wiesen stärkere Defizite auf.
Zusammengenommen weisen die Ergebnisse der vorliegenden Arbeit auf ein stabiles Muster von Defiziten in globalen kognitiven Funktionen bei Patienten mit Depressionen hin. Diese Abweichungen liegen jedoch nicht bei allen schwer depressiven Patienten gleichermaßen vor. Bei Patienten mit Defiziten scheint das Therapieoutcome schlechter zu sein. Somit könnten diese Prozesse der Informationsverarbeitung und kognitive Defizite auf neuropsychologischer Ebene Prädiktoren und Korrelate des Therapieoutcomes darstellen. Im Sinne der personalisierten Medizin könnte in Zukunft die Diagnostik um die Parameter der Informationsverarbeitungsprozesse ergänzt werden und so die Prognose des Therapieerfolgs verbessert und die Behandlung der Patienten individualisiert werden.