Notizie
Sorveglianza radiologica per le sopravvissute al cancro della mammella
Il tumore maligno della mammella è una neoplasia diffusa a livello mondiale e il crescente numero di sopravvissute richiede una […]
Neuroblastoma, predirne la prognosi usando analisi basate sul machine learning
Un gruppo guidato da Xin Liu, della Huazhong University di Wuhan (Cina), ha sviluppato un modello di previsione prognostica basato sull’apprendimento automatico che analizza le reti di perturbazione dell’interazione genica correlate al metabolismo nei casi di neuroblastoma. Il modello è stato descritto su BMC Pediatrics.
I neuroblastomi (NB) sono tumori solidi extracranici pediatrici altamente eterogenei, con caratteristiche epigenetiche, biologiche e cliniche variabili. Tuttavia, i modelli predittivi in grado di classificare in modo accurato i rischi dei pazienti e di predire la prognosi sono limitati. Il team ha analizzato una perturbazione di una rete di geni correlati al metabolismo utilizzando algoritmi di apprendimento automatico per costruire un modello per valutare il rischio e la prognosi dei pazienti con NB.
L’analisi di perturbazione della rete genica di 948 geni correlati al metabolismo ha rivelato una discriminabilità distinta e i pazienti con NB sono stati classificati in tre sottotipi differenziati. L’analisi di sopravvivenza di Kaplan-Meier ha rivelato che le prognosi erano migliori per i pazienti con sottotipo C3, seguiti da quelli con sottotipi C1 e C2. L’analisi di correlazione delle informazioni cliniche ha indicato che i sottotipi C2 e C3 erano associati rispettivamente a percentuali più elevate e più basse di neoplasie di alto grado, mentre il sottotipo C3 mostrava una percentuale inferiore di neoplasie di alto grado. Le vie di KRAS e miogenesi erano sovraregolate e i livelli dei target di MYC erano sottoregolati nei pazienti con sottotipo C3, mentre quelli con sottotipo C2 mostravano tendenze opposte. I pazienti con sottotipi C3 e C2 presentavano rispettivamente fenotipi immunoattivati e immunosoppressi.
Fonte: BMC Pediatrics 2026
https://link.springer.com/article/10.1186/s12887-026-06512-3
