ЖурналыПодпискаАрхивКнигиПроектыО насРекламаДоставка/ОплатаКонтакты
+7 (495) 482-43-29
  • Главная
  • / Журналы
  • / Вернуться в журнал
  • / Содержание номера
  • / Статья
Мультимодальная интеграция биоинформатических данных и цифровой патоморфологии как инструмент прецизионной онкологии. Часть 1. Разработка прогностических моделей на основе мультиомиксных данных и машинного обучения: обзор литературы

Мультимодальная интеграция биоинформатических данных и цифровой патоморфологии как инструмент прецизионной онкологии. Часть 1. Разработка прогностических моделей на основе мультиомиксных данных и машинного обучения: обзор литературы

Авторы:
Алла Викторовна Кузнецова,
Алексей Алексеевич Иванов

Журнал: Архив патологии. 2026;88(5):46-55.

DOI: 10.17116/patol20268805146

Прочитано: 163 раза

Резюме

В обзоре рассматривается современная методология разработки прогностических моделей солидных опухолей на основе биоинформатических данных. Основное внимание уделяется переходу от анализа дискретных генетических нарушений к синтезу функционально связанных генных панелей и индексов риска (Risk Score, RS) с использованием ресурсов TCGA, GEO и специализированных баз (FerrDb, ImmPort и др.). Анализируется роль различных программ регулируемой клеточной гибели — апоптоза, пироптоза, ферроптоза и купроптоза — ключевых предикторов выживаемости и ответа на терапию. Систематизируются алгоритмы машинного обучения (LASSO, Random Forest, методы матричной факторизации) и инструменты деконволюции клеточного состава (CIBERSORT, TIMER), позволяющие оценить иммунный ландшафт опухолевого микроокружения. Обсуждаются возможности математического синтеза молекулярных данных для повышения объективности оценки инвазивного потенциала опухоли и перспектив персонализированной стратификации пациентов в рамках прецизионных стратегий.

Ключевые слова

  • солидные опухоли
  • регулируемая клеточная гибель
  • метаболическое перепрограммирование
  • иммунное микроокружение
  • прогностические модели
  • индекс риска
  • машинное обучение
  • деконволюция клеточного состава
  • мультимодальный анализ
  • прецизионная онкология

Участие авторов

Разработка концепции исследования — Кузнецова А.В., Иванов А.А.
Анализ научной литературы — Кузнецова А.В., Иванов А.А.
Написание текста статьи — Кузнецова А.В., Иванов А.А.
Редактирование — А.В. Кузнецова, Иванов А.А.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Дата поступления: 27.04.2026

Дата принятия в печать: 24.06.2026

Дата публикации: 16.10.2026

Литература / References
  1. Li W, Zhang D, Peng E. et al. HiST: histological images reconstruct tumor spatial transcriptomics via MultiScale fusion deep learning. Adv Sci. 2026;13(13):e14351. https://doi.org/10.1002/advs.202514351
  2. Huang J, Mao L, Lei Q, Guo AY. Bioinformatics tools and resources for cancer and application. Chin Med J (Engl). 2024;137(17): 2052-2064. https://doi.org/10.1097/CM9.0000000000003254
  3. Gentleman RC, Carey VJ, Bates DM. et al. Bioconductor: open software development for computational biology and bioinformatics. Genome Biol. 2004;5(10):R80. https://doi.org/10.1186/gb-2004-5-10-r80
  4. Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: machine learning in Python. J Mach Learn Res. 2011;12(null):2825-2830.
  5. Tibshirani R. Regression shrinkage and selection via the Lasso. J R Stat Soc Ser B Stat Methodol. 1996;58(1):267-288. https://doi.org/10.1111/j.2517-6161.1996.tb02080.x
  6. Breiman L. Random Forests. Mach Learn. 2001;45(1):5-32. https://doi.org/10.1023/A:1010933404324
  7. Subramanian A, Tamayo P, Mootha VK, et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci USA. 2005; 02(43):15545-15550. https://doi.org/10.1073/pnas.0506580102
  8. Ashburner M, Ball CA, Blake JA, et al. Gene Ontology: tool for the unification of biology. Nat Genet. 2000;25(1):25-29. https://doi.org/10.1038/75556
  9. Kanehisa M, Araki M, Goto S. et al. KEGG for linking genomes to life and the environment. Nucleic Acids Res. 2008;36(Database issue):D480-D484. https://doi.org/10.1093/nar/gkm882
  10. Chen K, Yang D, Zhao F, et al. Autophagy and tumor database: ATdb, a novel database connecting autophagy and tumor. Database J Biol Databases Curation. 2020;2020:baaa052. https://doi.org/10.1093/database/baaa052
  11. Liberzon A, Birger C, Thorvaldsdóttir H, Ghandi M. Mesirov JP, Tamayo P. The Molecular Signatures Database (MSigDB) hallmark gene set collection. Cell Syst. 2015;1(6):417-425. https://doi.org/10.1016/j.cels.2015.12.004
  12. Gadepalli VS, Kim H, Liu Y, Han T, Cheng L. XDeathDB: a visualization platform for cell death molecular interactions. Cell Death Dis. 2021;12(12):1156. https://doi.org/10.1038/s41419-021-04397-x
  13. Zhou N, Peng L, Luo Q. et al. FerrDb V3: expanding the manually curated resource for regulators and disease associations from ferroptosis to regulated cell death. Nucleic Acids Res. 2026;54(D1): D572-D582. https://doi.org/10.1093/nar/gkaf1119
  14. Li X, Yin X, Mi L, Li N, Li S, Yin F. Identification of a novel apoptosis-related genes signature to improve gastric cancer prognosis prediction. Heliyon. 2024;10(13):e33795. https://doi.org/10.1016/j.heliyon.2024.e33795
  15. Liang J. Ying, Wang D. Shen, Lin H. Cheng et al. A novel ferroptosis-related gene signature for overall survival prediction in patients with hepatocellular carcinoma. Int J Biol Sci. 2020;16(13): 2430-2441. https://doi.org/10.7150/ijbs.45050
  16. Huang G, Zhou J, Chen J, Liu G. Identification of pyroptosis related subtypes and tumor microenvironment infiltration characteristics in breast cancer. Sci Rep. 2022;12(1):10640. https://doi.org/10.1038/s41598-022-14897-1
  17. Sun X, Xu P, Zhang F. et al. The cuproptosis-related gene signature serves as a potential prognostic predictor for ovarian cancer using bioinformatics analysis. Ann Transl Med. 2022;10(18):1021-1021. https://doi.org/10.21037/atm-22-4546
  18. Hernandez C, Huebener P, Schwabe RF. Damage-associated molecular patterns in cancer: a double-edged sword. Oncogene. 2016;35(46):5931-5941. https://doi.org/10.1038/onc.2016.104
  19. Deng T, Tang C. Zhang G, Wan X. DAMPs released by pyroptotic cells as major contributors and therapeutic targets for CAR-T-related toxicities. Cell Death Dis. 2021;12(1):129. https://doi.org/10.1038/s41419-021-03428-x
  20. Zhang Y, Gu Y, Zhan M, Yang L, Wang H. Targeting ferroptosis and cuproptosis in gastrointestinal cancers: molecular mechanisms, metabolic vulnerabilities, and therapeutic interventions. Mol Biomed. 2025;6(1):101. https://doi.org/10.1186/s43556-025-00347-7
  21. Wang M, Shi C, Shu Z, Li Z. Cuproptosis-triggering nanomedicine boosts antitumor immunotherapy. Theranostics. 2026;16(5): 2405-2446. https://doi.org/10.7150/thno.123080
  22. Carr SR, Wang H, Hudlikar R, et al. A unique gene signature predicting recurrence free survival in stage IA lung adenocarcinoma. J Thorac Cardiovasc Surg. 2023;165(4):1554-1564. https://doi.org/10.1016/j.jtcvs.2022.09.028
  23. Ding R, Liao L, Chen J. et al. Downregulation of ferroptosis-related genes can regulate the invasion and migration of osteosarcoma cells. Sci Rep. 2025;15(1):17582. https://doi.org/10.1038/s41598-025-02319-x
  24. Zhou Y, Zheng J, Bai M, Gao Y, Lin N. Effect of pyroptosis-related genes on the prognosis of breast cancer. Front Oncol. 2022; 12:948169. https://doi.org/10.3389/fonc.2022.948169
  25. Hou J, Zhao R, Xia W. et al. PD-L1-mediated gasdermin C expression switches apoptosis to pyroptosis in cancer cells and facilitates tumour necrosis. Nat Cell Biol. 2020;22(10):1264-1275. https://doi.org/10.1038/s41556-020-0575-z
  26. Bertheloot D, Latz E, Franklin BS. Necroptosis, pyroptosis and apoptosis: an intricate game of cell death. Cell Mol Immunol. 2021;18(5):1106-1121. https://doi.org/10.1038/s41423-020-00630-3
  27. Loveless R, Bloomquist R, Teng Y. Pyroptosis at the forefront of anticancer immunity. J Exp Clin Cancer Res CR. 2021;40(1):264. https://doi.org/10.1186/s13046-021-02065-8
  28. Gatti V, Bongiorno-Borbone L, Fierro C, Annicchiarico-Petruzzelli M, Melino G, Peschiaroli A. p63 at the crossroads between stemness and metastasis in breast cancer. Int J Mol Sci. 2019;20(11):2683. https://doi.org/10.3390/ijms20112683
  29. Rühl S, Shkarina K, Demarco B, Heilig R, Santos JC, Broz P. ESCRT-dependent membrane repair negatively regulates pyroptosis downstream of GSDMD activation. Science. 2018;362(6417):956-960. https://doi.org/10.1126/science.aar7607
  30. Zhang Z, Zhang Y, Xia S, et al. Gasdermin E suppresses tumour growth by activating anti-tumour immunity. Nature. 2020; 579(7799):415-420. https://doi.org/10.1038/s41586-020-2071-9
  31. Zhu Y, Huang H, Chen J. et al. Ferroptosis-disulfidptosis-related CHMP6 is a clinico-immune target in colorectal cancer. Biol Direct. 2025;20(1):88. https://doi.org/10.1186/s13062-025-00676-1
  32. Zhong Y, Peng F, Luo X. et al. A pyroptosis-related gene signature for prognostic and immunological evaluation in breast cancer. Front Oncol. 2022;12:964508. https://doi.org/10.3389/fonc.2022.964508
  33. Wei J, Xu Z, Chen X. et al. Overexpression of GSDMC is a prognostic factor for predicting a poor outcome in lung adenocarcinoma. Mol Med Rep. 2020;21(1):360-370. https://doi.org/10.3892/mmr.2019.10837
  34. Tang C, Yu M, Ma J, Zhu Y. Metabolic classification of bladder cancer based on multi-omics integrated analysis to predict patient prognosis and treatment response. J Transl Med. 2021;19(1):205. https://doi.org/10.1186/s12967-021-02865-8
  35. Yin X, Jiang Y, Huang J, Luo J, Xu L, Yang Q. The prognostic model based on tumor-associated neutrophils contributes to the stromal landscape and influences metabolic reprogramming in colorectal cancer. Front Immunol. 2025;16:1587947. https://doi.org/10.3389/fimmu.2025.1587947
  36. Shaul ME, Fridlender ZG. Tumour-associated neutrophils in patients with cancer. Nat Rev Clin Oncol. 2019;16(10):601-620. https://doi.org/10.1038/s41571-019-0222-4
  37. Wang WJ, Wang H, Hua TY. et al. Establishment of a prognostic model using immune-related genes in patients with hepatocellular carcinoma. Front Genet. 2020;11:55. https://doi.org/10.3389/fgene.2020.00055
  38. Ding B, Yan W, Shen S. et al. Immune-related genes’ prognostic, therapeutic and diagnostic value in ovarian cancer immune-related gene biomarker in ovarian cancer. Cancer Control J Moffitt Cancer Cent. 2023;30:10732748231168756. https://doi.org/10.1177/10732748231168756
  39. Cao Y, Zhu H, Shen H. et al. Prognostic index for nonsmall cell lung cancer based on immune-related genes expression. BioMed Res Int. 2022;2022:4779811. https://doi.org/10.1155/2022/4779811
  40. Feng W, Zhang Y. Liu W. et al. A prognostic model using immune-related genes for colorectal cancer. Front Cell Dev Biol. 2022;10:813043. https://doi.org/10.3389/fcell.2022.813043
  41. Li A, Li Q, Wang C. et al. Constructing a prognostic model for colon cancer: insights from immunity-related genes. BMC Cancer. 2024;24(1):758. https://doi.org/10.1186/s12885-024-12507-z
  42. Fang X, Zheng S, Fang Z. et al. Identification of prognostic-related tumor microenvironment genes in lung adenocarcinoma and establishment of a prognostic prediction model. Transl Lung Cancer Res. 2025;14(6):2125-2144. https://doi.org/10.21037/tlcr-24-297
  43. Bhattacharya S, Dunn P, Thomas CG. et al. ImmPort, toward repurposing of open access immunological assay data for translational and clinical research. Sci Data. 2018;5(1):180015. https://doi.org/10.1038/sdata.2018.15
  44. Lynn DJ, Winsor GL, Chan C. et al. InnateDB: facilitating systems‐level analyses of the mammalian innate immune response. Mol Syst Biol. 2008;4(1):218. https://doi.org/10.1038/msb.2008.55
  45. Breuer K, Foroushani AK, Laird M.R. et al. InnateDB: systems biology of innate immunity and beyond—recent updates and continuing curation. Nucleic Acids Res. 2013;41(Database issue):D1228-D1233. https://doi.org/10.1093/nar/gks1147
  46. Xu L, Deng C, Pang B. et al. TIP: a web server for resolving tumor immunophenotype profiling. Cancer Res. 2018;78(23):6575-6580. https://doi.org/10.1158/0008-5472.CAN-18-0689
  47. Chen DS, Mellman I. Oncology meets immunology: the cancer-immunity cycle. Immunity. 2013;39(1):1-10. https://doi.org/10.1016/j.immuni.2013.07.012
  48. Chen B, Khodadoust MS, Liu CL, Newman AM, Alizadeh AA. Profiling tumor infiltrating immune cells with CIBERSORT. Methods Mol Biol Clifton NJ. 2018;1711:243-259. https://doi.org/10.1007/978-1-4939-7493-1_12
  49. Li T, Fan J, Wang B. et al. TIMER: a web server for comprehensive analysis of tumor-infiltrating immune cells. Cancer Res. 2017;77(21):e108-e110. https://doi.org/10.1158/0008-5472.CAN-17-0307
  50. Li T, Fu J, Zeng Z. et al. TIMER2.0 for analysis of tumor-infiltrating immune cells. Nucleic Acids Res. 2020;48(W1):W509-W514. https://doi.org/10.1093/nar/gkaa407
  51. Cui H, Zhao G, Lu Y. et al. TIMER3: an enhanced resource for tumor immune analysis. Nucleic Acids Res. 2025;53(W1):W534-W541. https://doi.org/10.1093/nar/gkaf388
  52. Aran D, Hu Z, Butte AJ. xCell: digitally portraying the tissue cellular heterogeneity landscape. Genome Biol. 2017;18(1):220. https://doi.org/10.1186/s13059-017-1349-1
  53. Angel A, Naom L, Nabet-Levy S, Aran D. xCell 2.0: robust algorithm for cell type proportion estimation predicts response to immune checkpoint blockade. Genome Biol. 2025;26:335. https://doi.org/10.1186/s13059-025-03784-3
  54. Yoshihara K, Shahmoradgoli M, Martínez E. et al. Inferring tumour purity and stromal and immune cell admixture from expression data. Nat Commun. 2013;4(1):2612. https://doi.org/10.1038/ncomms3612
slide-cover
slide-cover
slide-cover

Рекомендуем статьи по данной теме:

Разработка методологических подходов к использованию машинного обучения в системе диспансерного наблюдения пациентов, перенесших инфаркт миокарда.Профилактическая медицина. 2026;29(8):106-112

Современные возможности диагностики голосовых расстройств с помощью компьютерного акустического анализа голоса и искусственного интеллекта. Обзор литературы.Вестник оториноларингологии. 2026;91(4):109-116

Облачная система автоматической диагностики дисфонии по акустическим параметрам с использованием моделей искусственного интеллекта.Вестник оториноларингологии. 2026;91(4):78-80

Краниоскопические методики определения пола по черепу человека.Судебно-медицинская экспертиза. 2026;69(4):34-38

Оценка BRAF-статуса локализованных и местнораспространенных папиллярных микрокарцином щитовидной железы с применением методов машинного обучения.Архив патологии. 2026;88(4):41-45

Искусственный интеллект в респираторной медицине.Респираторная медицина. 2026;2(2):21-29

Прогнозирование 90-дневной послеоперационной летальности после эзофагэктомии с использованием технологии машинного обучения: сравнительная оценка модели с зарубежными аналогами.Онкология. Журнал им. П.А. Герцена. 2026;15(3):22-26

Прогнозирование успеха дентальной имплантации с использованием искусственного интеллекта и машинного обучения.Российская стоматология. 2026;19(1-2):165-173

Сравнение подходов к прогнозированию сепсиса у реанимационных пациентов, длительно находящихся в условиях отделения реанимации и интенсивной терапии.Анестезиология и реаниматология. 2026;(2):7-18

Положительные примеры использования в здравоохранении искусственного интеллекта и телемедицины.Профилактическая медицина. 2026;29(2):109-114

Издательство «Медиа Сфера»
РекламаДоставка/ОплатаО насКонтактыОбучение для редакцийПолитика конфиденциальностиПолитика обработки персональных данныхПубличная оферта на реализацию издательской продукции
ЖурналыПодпискаАрхивКнигиПроекты
  • RuStore

© 1998-2026

  • Телефоны издательства:

  • +7 (495) 482-41-18
  • +7 (495) 482-43-29

  • Прямой телефон отдела подписки
    (только по вопросам заказов и доставки журналов)

  • +7 (800) 250-18-12

  • пн-пт с 10:00 до 18:00

  • Telegram
  • VK
info@mediasphera.ru

  • Почтовый адрес:

  • Издательство «Медиа Сфера»,
    а/я 54, Москва, Россия, 127238

  • RuStore

© 1998-2026