本研究旨在评估诊断为癌症的患者样本中的短期健康焦虑量表（SHAI=短期健康焦虑量表）的心理测量特性。对 SHAI 评分的因素结构、内部一致性、收敛效度和性别差异进行了评估。共有 202 名诊断为癌症的患者参与，其中 18 份问卷因数据不完整而被排除。进行验证性因素分析以确认因素结构。还使用 Cronbach α 来评估内部一致性。双因素模型（思想入侵和对疾病的恐惧）提供了最适合数据的模型 (SBχ2 (64) = 114.346，p < 0.001，CFI = 0.944，GFI = 0.908，RMSEA = 0.065）。 SHAI 总分 (α = 0.864) 及其分量表的内部一致性很高（思维侵入：α = 0.753；疾病恐惧：α = 0.825）。女性患者在 SHAI 总分（U = 5232.500，p = 0.012）、思想侵入分量表（U = 5189.00，p = 0.008）和疾病恐惧分量表（U = 5069.500，p = 0.018）上的得分也显着高于男性患者。 .SHAI 表现出足够的心理测量特性，可用于评估癌症患者的健康焦虑。版权所有 © 2024 Elsevier Inc. 保留所有权利。

液体活检已成为淋巴瘤诊断的一个机会，因为血浆循环肿瘤 DNA (ctDNA) 是肿瘤 DNA 的一种易于获取的来源，可以作为组织活检的补充。通过 ctDNA，可以对淋巴瘤进行分子表征，跟踪肿瘤克隆进化，同时监测治疗期间和治疗后的微小残留疾病。在这里，我们描述了通过深度测序 (CAPP-seq) 进行癌症个性化分析的方法，用于 ctDNA 鉴定和定量。© 2025。作者获得 Springer Science Business Media, LLC（Springer 旗下公司）的独家许可自然。

耐药性是癌症治疗长期疗效的主要限制。癌症基因组测序可以回顾性地描述耐药性的遗传基础，但这需要大量的治疗后样本来指定因果变异。在这里，我们使用预测在 11 个癌症基因中安装 32,476 个变体的指导 RNA 文库，通过 CRISPR 碱基编辑诱变筛选，前瞻性地确定了对 10 种肿瘤药物耐药的遗传机制。我们确定了调节药物敏感性的四种功能类别的蛋白质变体，并使用单细胞转录组学来揭示这些变体如何通过不同的机制发挥作用，包括引发药物成瘾的细胞状态。我们确定了可以用替代抑制剂靶向的变体，以克服耐药性，并在功能上验证表皮生长因子受体 (EGFR) 变体，使肺癌细胞对 EGFR 抑制剂敏感。我们的变异功能图对癌症治疗中的患者分层、治疗组合和药物安排具有影响。© 2024。作者。

在 TOPAZ-1 中，胆道癌 (BTC) 和术后 6 个月内复发的患者被排除在外，即使这种事件在临床实践中经常观察到。我们的研究旨在评估顺铂-吉西他滨-durvalumab (CGD) 在这一人群中的疗效是否与 3 期试验中报告的疗效相当。研究队列包括接受原发性肿瘤手术、经历疾病复发的 BTC 患者手术后或辅助治疗结束并开始CGD后≤6个月或>6个月。主要目标是总生存期 (OS) 和无进展生存期 (PFS)。共有 178 名患者入组。早期和晚期复发组之间的 OS（23.4 个月 vs 未达到；HR 1.26；95% CI，0.67-2.37；P = .45）和 PFS [7.0 个月 vs 9.8 个月；HR 1.26；95% CI，0.67-2.37；P = .45] 没有观察到显着差异。 HR 1.3（95% CI，0.9-2.1）P = .13]。总体安全性一样，两组的总体缓解率和疾病控制率（P = .33 和 P = .62）相当。此外，我们比较了选定人群和接受顺铂-吉西他滨 (CG) 治疗的 BTC 患者历史队列之间的生存结果，发现尽管没有统计学意义，但与 CG 相比，无论治疗时间如何，CGD 都显示出结果趋势。手术或辅助化疗后复发[(CG ≤ 6 vs CGD ≤ 6个月：HR 0.59，95%CI，0.35-1.01，P = .05；HR 0.70；95%CI，0.46-1.06，P = .09，OS和 PFS 分别）和（CG > 6 与 CGD > 6 个月：HR 0.50；95%CI，0.29-0.88，P = 0.0165；HR 0.54；95%CI，0.35-0.84，P = .0068，OS 和PFS）]。我们的分析表明，对于晚期 BTC 患者，CGD 保留其疗效，与手术后复发或完成辅助治疗的时间无关。© 作者 2024。由牛津大学出版社出版。

12 号染色体上的 MDM2 和 CDK4 基因扩增通常与低度恶性骨肉瘤相关。在这项研究中，我们对来自 25 个骨肉瘤的 33 个样本进行了高分辨率基因组和转录组分析，包括具有 MDM2 和/或 CDK4 扩增的高级别和低级别病例。我们识别出四个主要亚组，从几乎完整的基因组到严重重排的基因组，每个亚组都包含 CDK4 和 MDM2 扩增或带有 TP53 结构改变的 CDK4 扩增。虽然涉及 MDM2 的扩增子表现出初始染色体碎裂事件的迹象，但在 TP53 重排病例中没有发现染色体碎裂的证据。相反，TP53 基因座的最初破坏导致了 CDK4 基因座的共同扩增。此外，我们观察到涉及 FRS2、PLEKHA5 和 TP53 基因调控区域的重复启动子交换事件。这些事件导致伙伴基因异位表达，在两种不同的情况下，ELF1 基因被 FRS2 和 TP53 启动子区域上调。© 2024。作者。

新抗原研究的最新进展加速了胶质母细胞瘤（GBM）等癌症免疫疗法的发展。基因组突变和选择性剪接失调产生的新抗原已在 GBM 中进行了研究。然而，这些研究主要集中在带注释的选择性剪接转录本上，而未带注释的转录本基本上未被探索。肿瘤中异常调节的环状核糖核酸（circRNA）与具有外显子跳跃事件的未注释线性转录本的存在相关。但这些线性转录本真正存在的程度及其在癌症免疫疗法中的功能仍然未知。在这里，我们发现 circRNA 生物发生和选择性剪接在各种肿瘤类型中普遍存在，从而产生大量的长程选择性剪接转录本 (LR)。通过比较肿瘤和健康组织，我们发现 GBM 中的肿瘤特异性 LR 比正常组织和其他肿瘤类型更丰富。这可能归因于 GBM 中震动蛋白的上调，据报道该蛋白可促进 circRNA 生物发生。我们总共鉴定出了 GBM 中的 1057 个特异性和复发性 LR。通过计算机翻译预测和基于 MS 的免疫肽组分析，16 种主要组织相容性复合物 I 类相关肽被确定为 GBM 的潜在免疫治疗靶点。这项研究揭示了 GBM 中特异性上调的长程选择性剪接转录物可能作为复发性免疫原性肿瘤特异性抗原。© 作者 2024。由牛津大学出版社出版。

空间转录组学揭示了复杂组织中基因的空间分布，为生物过程、疾病机制和药物开发提供了重要的见解。基于具有成本效益的组织学图像的基因表达预测是一个有前途但具有挑战性的研究领域。现有的从组织学图像进行基因预测的方法存在两个主要局限性。首先，他们忽略了细胞形态信息和基因表达之间复杂的关系。其次，这些方法没有充分利用从图像中提取的特征的不同潜在阶段。为了解决这些限制，我们提出了一种新的超图神经网络模型 HGGEP，用于从组织学图像中预测基因表达。 HGGEP 包含梯度增强模块，用于增强模型对细胞形态信息的感知。轻量级骨干网络从图像中提取多个潜在阶段特征，然后通过注意机制来细化每个潜在阶段特征的表示并捕获它们与附近特征的关系。为了探索多个潜在阶段特征之间的高阶关联，我们将它们堆叠起来并输入超图以建立不同尺度特征之间的关联。对癌症和肿瘤疾病等疾病样本的多个数据集进行的实验结果证明，我们的 HGGEP 模型比现有方法具有优越的性能。© 作者 2024。由牛津大学出版社出版。

预测抗癌药物反应有助于个性化癌症治疗，是现代肿瘤学研究的一个重要课题。尽管一些方法已用于抗癌药物反应预测，但如何有效地整合与癌细胞系、药物及其已知反应相关的各种特征仍然受到输入特征的冗余信息和特征之间复杂的相互作用的影响。在本研究中，我们提出了一种双线性注意力模型，名为 BANDRP，基于癌细胞系的多个组学数据和药物的多个分子指纹来预测潜在的抗癌药物反应。与现有模型相比，BANDRP利用基因表达数据计算通路富集分数来丰富癌细胞系的特征，并可以通过双线性注意网络自动学习癌细胞系与药物的交互信息。基准测试和独立测试表明，BANDRP 超越了基线模型并表现出强大的泛化性能。消融实验证实了当前模型架构和特征选择方案对于我们的预测任务的最优性。此外，对未知抗癌药物反应预测的分析实验和案例研究强调了 BANDRP 作为预测抗癌药物反应的有效且可靠的框架的潜力。© 作者 2024。由牛津大学出版社出版。

肽组学的进展揭示了许多具有编码潜力的小型开放阅读框，并揭示其中一些微肽与人类癌症密切相关。然而，从序列到结构和功能的系统分析和整合仍然很大程度上尚未发展。作为一种解决方案，我们建立了一个工作流程，使用来自大型队列的公开数据集来收集和分析蛋白质组数据、转录组数据和癌症相关微肽的临床结果。我们最初通过重新分析 8 种癌症类型的 3753 个样本的蛋白质组谱数据，鉴定出了 19,586 种新型微肽。对这些微肽以及相关临床数据的进一步定量分析，确定了 3065 种在癌症中失调的微肽，其中 370 种显示出与预后密切相关。此外，我们采用深度学习框架构建微肽-蛋白质相互作用网络以进行进一步的生物信息学分析，揭示微肽作为生物活性分子参与多种生物过程。总而言之，我们的图谱为微肽的高通量预测和功能探索提供了基准，为它们在癌症中的生物学机制提供了新的见解。 HMPA 可在 http://hmpa.zju.edu.cn 上免费获取。© 作者 2024。由牛津大学出版社出版。

无监督学习，特别是聚类，在疾病亚型分型和患者分层中发挥着关键作用，尤其是在大规模多组学数据丰富的情况下。深度学习模型，例如变分自动编码器（VAE），可以通过利用个体间的异质性来增强聚类算法。然而，混杂因素的影响——与病情无关的外部因素，例如批次效应或年龄聚类常常被忽视，从而引入偏差和虚假的生物学结论。在这项工作中，我们介绍了四种新颖的基于 VAE 的去混杂框架，专为聚类多组学数据而定制。这些框架有效地减轻了混杂效应，同时保留了真实的生物模式。采用的去混杂策略包括（i）去除与混杂因素相关的潜在特征，（ii）条件 VAE，（iii）对抗性训练，以及（iv）在损失函数中添加正则化项。使用来自癌症基因组图谱的真实多组学数据，我们模拟了各种混杂效应（线性、非线性、分类、混合），并根据重建误差、聚类稳定性和去混杂功效评估了 50 次重复的模型性能。我们的结果表明，我们的新模型，特别是条件多组学 VAE (cXVAE)，成功地处理了模拟混杂效应并恢复了生物驱动的聚类结构。 cXVAE 准确识别患者标签并揭示癌症类型之间有意义的病理关联，验证去混杂的表示。此外，我们的研究表明，一些提出的策略（例如对抗性训练）在消除混杂因素方面被证明是不够的。总之，我们的研究提出了同时多组学数据集成、降维和聚类解混杂的创新框架。开放获取数据的基准测试为最终用户提供了指导，促进有意义的患者分层，以优化精准医疗。© 作者 2024。由牛津大学出版社出版。