DOI: https://doi.org/10.3389/fphar.2025.1727032
PMID: https://pubmed.ncbi.nlm.nih.gov/41684520
تاريخ النشر: 2026-01-28
المؤلف: Yi Wan وآخرون
الموضوع الرئيسي: تشخيص وعلاج سرطان الغدة الدرقية
نظرة عامة
تتناول هذه الدراسة التحدي المتمثل في تحديد العلامات الحيوية المستدامة والأهداف العلاجية في سرطان الغدة الدرقية من خلال دمج تقنيات الأوميكس التقليدية مع الذكاء الاصطناعي (AI) والتحقق على مستوى الخلية الواحدة. افترض المؤلفون أن نهجًا هجينًا يجمع بين التحليل التلوي لبيانات النسخ الجيني الكلي، والتعلم الآلي لاختيار الميزات، ورسم الخرائط المكانية على مستوى الخلية الواحدة سيحسن اكتشاف العلامات الحيوية والتحقق منها. قاموا بإجراء تحليل تلوي لثلاث مجموعات بيانات RNA-seq كلي، تلاه اختيار الميزات المدفوع بالتعلم الآلي، وتم التحقق من النتائج باستخدام بيانات RNA-seq على مستوى الخلية الواحدة من 23 عينة من سرطان الغدة الدرقية. تم إجراء التحقق التجريبي باستخدام خطوط الخلايا والاختبارات الوظيفية.
كشفت النتائج عن لوحة تشخيصية مكونة من أربعة جينات (BID، MIR6756، ITM2A، TGM2) ذات أداء عالٍ، حيث حققت قيم المنطقة تحت المنحنى (AUC) تبلغ 1.0 و0.99 في مجموعات التدريب و0.74 في التحقق المستقل. حدد تحليل الخلية الواحدة ستة أنواع رئيسية من الخلايا مع تسلل مناعي كبير، مما يبرز الطبيعة متعددة الخلايا للعلامات الحيوية. ومن الجدير بالذكر أن hsa-miR-6756-5p وُجد أنه يتمتع بتعبير محدد للورم وخصائص مسرطنة، مما يعزز سلوكيات سرطانية متنوعة في المختبر ويعزز نمو الورم في الجسم الحي، وبالتالي يثبت أنه هدف علاجي واعد.
مقدمة
يعتبر سرطان الغدة الدرقية أكثر الأورام الخبيثة الغدد الصماء انتشارًا، مع زيادة ملحوظة في حدوثه تُعزى إلى التقدم في أساليب التشخيص التي أدت إلى اكتشاف الأورام الحليمية الأصغر. بينما تتمتع سرطانات الغدة الدرقية المتمايزة جيدًا عادةً بتوقعات إيجابية، لا تزال التحديات قائمة في التشخيص قبل الجراحة، وتصنيف المخاطر، وإدارة الأشكال العدوانية أو المتكررة من المرض. تؤدي تقنيات التشخيص الحالية، التي تعتمد أساسًا على خزعة الإبرة الدقيقة والفحص النسيجي، إلى نتائج غير حاسمة في 15%-30% من الحالات، مما يبرز الحاجة إلى علامات حيوية جزيئية موثوقة لتحسين دقة التشخيص وتسهيل استراتيجيات العلاج الشخصية.
لقد حولت التطورات الأخيرة في تقنيات الأوميكس عالية الإنتاجية اكتشاف العلامات الحيوية، مما يسمح بالتوصيف التفصيلي للتغيرات الجينومية والنسخية والإيبيجينية المرتبطة بتشكل الأورام. ومع ذلك، قد تؤدي طرق التسلسل الكلي التقليدية إلى إخفاء التباين الخلوي الحرج، مما يثير ظهور تقنيات تسلسل RNA على مستوى الخلية الواحدة التي توفر رؤى حول تنوع الخلايا وديناميات بيئة الورم الدقيقة. إن دمج هذه الأساليب، جنبًا إلى جنب مع الذكاء الاصطناعي وتقنيات التعلم الآلي، يمثل أفقًا واعدًا لتحديد علامات حيوية جديدة. تهدف هذه الدراسة إلى تحديد علامات حيوية من الميكرو RNA لسرطان الغدة الدرقية بشكل منهجي من خلال مجموعة من تحليل النسخ الجيني، واختيار الميزات المدفوع بالذكاء الاصطناعي، والتحقق على مستوى الخلية الواحدة، مما يربط في النهاية الاكتشاف الحسابي بالتحقق التجريبي لتعزيز فهمنا لبيولوجيا سرطان الغدة الدرقية وتحسين التشخيصات السريرية وخيارات العلاج.
الطرق
تحدد قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من التقنيات الكمية والنوعية لجمع البيانات، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق. شملت المنهجيات المحددة تجارب محكومة، وتحليلات إحصائية، ونمذجة للتحقق من النتائج.
شمل جمع البيانات أخذ عينات منهجية وتطبيق بروتوكولات موحدة للحفاظ على الاتساق والموثوقية. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، مما يسمح بتقييم الارتباطات واختبار الفرضيات. بالإضافة إلى ذلك، يوضح القسم معايير اختيار المشاركين والتدابير المتخذة للتخفيف من التحيزات المحتملة، مما يعزز قوة النتائج. بشكل عام، أسست الإطار المنهجي أساسًا قويًا للنتائج والاستنتاجات اللاحقة المستخلصة في الدراسة.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى أن الفرضية الرئيسية كانت مدعومة، حيث كشفت التحليلات الإحصائية عن ارتباط ملحوظ بين المتغيرات قيد التحقيق. على وجه التحديد، تظهر النتائج أن التدخل أدى إلى تحسين قابل للقياس في النتائج المستهدفة، كما يتضح من أحجام التأثير المحسوبة والقيم p، التي كانت أقل من العتبة التقليدية للدلالة (p < 0.05). بالإضافة إلى ذلك، يتم توضيح النتائج من خلال أشكال وجداول متنوعة، والتي توفر تمثيلًا بصريًا لاتجاهات البيانات وتدعم الاستنتاجات المستخلصة. يتضمن التحليل أيضًا مناقشة للعوامل المربكة المحتملة وتأثيرها على النتائج، مما يضمن فهمًا شاملاً لآثار الدراسة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة للجسم المعرفي الحالي وتقترح طرقًا للبحث المستقبلي.
المناقشة
في هذه الدراسة، تم إجراء تحليل شامل لتحديد لوحة علامات حيوية مكونة من أربعة جينات لتشخيص سرطان الغدة الدرقية باستخدام ثلاث مجموعات بيانات تعبير جيني متاحة للجمهور (GSE65144، GSE33630، وGSE50901). كشف التحليل التلوي عن تعبير مختلف ملحوظ للجينات BID، MIR6756، ITM2A، وTGM2، حيث كانت الجينات BID وMIR6756 مرتفعة في عينات الورم، بينما كانت ITM2A منخفضة. أظهر نموذج التعلم الآلي المبني على هذه اللوحة أداءً ممتازًا، حيث حقق منطقة تحت المنحنى (AUC) تبلغ 1.0 في مجموعات بيانات التدريب و0.74 في مجموعة تحقق مستقلة، مما يشير إلى إمكانيته في الإعدادات السريرية.
بالإضافة إلى ذلك، استكشفت الدراسة أنماط التعبير للأشكال الناضجة من MIR6756، وخاصة hsa-miR-6756-5p، التي وُجد أنها مرتفعة بشكل ملحوظ في أنسجة سرطان الغدة الدرقية مقارنة بالأنسجة الطبيعية، مما يشير إلى دورها كعلامة حيوية تشخيصية محددة. أشار تحليل البقاء إلى أن مستويات التعبير العالية لـ BID ارتبطت بتحسين البقاء العام، مما يبرز أهميتها التنبؤية. كما قام تحليل تسلسل RNA على مستوى الخلية الواحدة بتوصيف بيئة الورم الدقيقة، كاشفًا عن هيمنة خلايا المناعة (61.9% من إجمالي الخلايا) وتركيبات خلوية متميزة بين العينات النقيلي وغير النقيلي، مما يبرز تعقيد المشهد المناعي في سرطان الغدة الدرقية.
DOI: https://doi.org/10.3389/fphar.2025.1727032
PMID: https://pubmed.ncbi.nlm.nih.gov/41684520
Publication Date: 2026-01-28
Author(s): Yi Wan et al.
Primary Topic: Thyroid Cancer Diagnosis and Treatment
Overview
This study addresses the challenge of identifying reliable biomarkers and therapeutic targets in thyroid cancer by integrating traditional omics technologies with artificial intelligence (AI) and single-cell validation. The authors hypothesized that a hybrid approach combining meta-analysis of bulk transcriptomics, machine learning for feature selection, and single-cell spatial mapping would improve biomarker discovery and validation. They conducted a meta-analysis of three bulk RNA-seq datasets, followed by machine learning-driven feature selection, and validated findings using single-cell RNA-seq data from 23 thyroid cancer samples. Experimental validation was performed using cell lines and functional assays.
The results revealed a four-gene diagnostic panel (BID, MIR6756, ITM2A, TGM2) with high performance, achieving area under the curve (AUC) values of 1.0 and 0.99 in training sets and 0.74 in independent validation. Single-cell analysis identified six major cell types with significant immune infiltration, highlighting the multicellular nature of the biomarkers. Notably, hsa-miR-6756-5p was found to have tumor-specific expression and oncogenic properties, promoting various cancerous behaviors in vitro and enhancing tumor growth in vivo, thus establishing it as a promising therapeutic target.
Introduction
Thyroid cancer is the most prevalent endocrine malignancy, with a notable increase in incidence attributed to advancements in diagnostic methods that have led to the detection of smaller papillary carcinomas. While well-differentiated thyroid cancers generally have a favorable prognosis, challenges persist in preoperative diagnosis, risk stratification, and managing aggressive or recurrent forms of the disease. Current diagnostic techniques, primarily fine-needle aspiration biopsy and histopathological examination, yield inconclusive results in 15%-30% of cases, underscoring the need for reliable molecular biomarkers to improve diagnostic accuracy and facilitate personalized treatment strategies.
Recent developments in high-throughput omics technologies have transformed biomarker discovery, allowing for detailed profiling of genomic, transcriptomic, and epigenomic changes associated with tumorigenesis. Traditional bulk sequencing methods, however, may obscure critical cellular heterogeneity, prompting the rise of single-cell RNA sequencing technologies that provide insights into cellular diversity and tumor microenvironment dynamics. The integration of these approaches, alongside artificial intelligence and machine learning techniques, presents a promising frontier for identifying novel biomarkers. This study aims to systematically identify microRNA biomarkers for thyroid cancer through a combination of transcriptomic analysis, AI-driven feature selection, and single-cell validation, ultimately bridging computational discovery with experimental validation to enhance our understanding of thyroid cancer biology and improve clinical diagnostics and therapeutic options.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. The researchers utilized a combination of quantitative and qualitative techniques to gather data, ensuring a comprehensive understanding of the phenomena under investigation. Specific methodologies included controlled experiments, statistical analyses, and modeling to validate the results.
Data collection involved systematic sampling and the application of standardized protocols to maintain consistency and reliability. The analysis was performed using advanced statistical software, allowing for the assessment of correlations and the testing of hypotheses. Additionally, the section details the criteria for participant selection and the measures taken to mitigate potential biases, thereby enhancing the robustness of the findings. Overall, the methodological framework established a solid foundation for the subsequent results and conclusions drawn in the study.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicate that the primary hypothesis was supported, with statistical analyses revealing a notable correlation between the variables under investigation. Specifically, the results demonstrate that the intervention led to a measurable improvement in the target outcomes, as evidenced by the calculated effect sizes and p-values, which fell below the conventional threshold of significance (p < 0.05). Additionally, the findings are illustrated through various figures and tables, which provide a visual representation of the data trends and support the conclusions drawn. The analysis also includes a discussion of potential confounding factors and their impact on the results, ensuring a comprehensive understanding of the implications of the study. Overall, the results contribute valuable insights to the existing body of knowledge and suggest avenues for future research.
Discussion
In this study, a comprehensive analysis was conducted to identify a four-gene biomarker panel for thyroid cancer diagnosis using three publicly available gene expression datasets (GSE65144, GSE33630, and GSE50901). The meta-analysis revealed significant differential expression of the genes BID, MIR6756, ITM2A, and TGM2, with BID and MIR6756 upregulated in tumor samples, while ITM2A was downregulated. The machine learning model built on this panel demonstrated excellent performance, achieving an area under the curve (AUC) of 1.0 in training datasets and 0.74 in an independent validation cohort, indicating its potential utility in clinical settings.
Additionally, the study explored the expression patterns of the mature forms of MIR6756, particularly hsa-miR-6756-5p, which was found to be significantly elevated in thyroid cancer tissues compared to normal tissues, suggesting its role as a specific diagnostic biomarker. Survival analysis indicated that high expression levels of BID correlated with improved overall survival, highlighting its prognostic significance. Single-cell RNA sequencing analysis further characterized the tumor microenvironment, revealing a predominance of immune cells (61.9% of total cells) and distinct cellular compositions between metastatic and non-metastatic samples, underscoring the complexity of the immune landscape in thyroid cancer.