UKE cohort

UKE cohort是由汉堡大学医学中心创建的卵巢癌转录组数据集，包含181例患者的RNA测序数据。该数据集旨在通过分析患者的基因表达谱，识别贝伐珠单抗治疗反应的潜在生物标志物。数据集包含患者的临床信息，如肿瘤分期、手术结果等，数据来源于汉堡大学医学中心的患者样本。通过无监督和有监督的机器学习方法，研究人员从数据集中发现了与贝伐珠单抗反应相关的表达特征。该数据集的应用领域主要集中在卵巢癌的个性化治疗，旨在帮助识别哪些患者能够从贝伐珠单抗治疗中获益。The UKE cohort is an ovarian cancer transcriptomic dataset developed by the University Medical Center Hamburg-Eppendorf (UKE). It contains RNA sequencing data from 181 patients. This dataset is designed to identify potential biomarkers for bevacizumab treatment response by analyzing the gene expression profiles of patients. It also includes patients' clinical information such as tumor stage, surgical outcomes and other relevant clinical data, with all data sourced from patient samples collected at the University Medical Center Hamburg-Eppendorf. Using both unsupervised and supervised machine learning approaches, researchers have identified expression signatures associated with bevacizumab treatment response from this dataset. The primary application of this dataset focuses on personalized ovarian cancer therapy, aiming to assist in determining which patients can benefit from bevacizumab treatment.

搜集汇总

数据集介绍

构建方式

UKE cohort数据集的构建基于244例卵巢癌患者的肿瘤样本，这些样本来自212名在汉堡大学医学中心接受治疗的患者。样本的RNA提取和RNA测序分析遵循标准流程，使用DNBseqTM技术平台进行测序，并通过STAR比对到人类参考基因组。基因水平的原始读数通过DESeq2进行标准化处理，确保数据的可靠性和一致性。此外，数据集还包括了患者的临床信息，如治疗方式、肿瘤分期和手术结果，为后续的分析提供了丰富的背景信息。

使用方法

UKE cohort数据集的使用方法主要包括转录组数据的分析和临床信息的整合。研究人员可以通过无监督的聚类方法识别出与贝伐珠单抗治疗反应相关的基因表达特征，并使用随机生存森林模型评估这些特征的预测能力。此外，数据集还可以用于验证其他独立队列中的表达特征，进一步探索卵巢癌分子亚型与治疗反应之间的关系。通过结合转录组数据和临床信息，研究人员能够更准确地识别出可能从贝伐珠单抗治疗中获益的患者群体，从而为个性化治疗提供依据。

背景与挑战

背景概述

UKE cohort数据集由德国汉堡大学医学中心（UKE）的妇科部门创建，旨在研究卵巢癌患者对贝伐珠单抗（bevacizumab）治疗的反应。该数据集包含244个卵巢癌患者的肿瘤样本，其中181名患者具有完整的临床信息。研究团队通过RNA测序技术生成了转录组数据，并结合临床数据，探索了贝伐珠单抗治疗反应的潜在生物标志物。该数据集的核心研究问题在于识别能够预测贝伐珠单抗治疗效果的基因表达特征，从而为个体化治疗提供依据。UKE cohort的创建时间为2017年，主要研究人员包括Olga Zolotareva等。该数据集在卵巢癌治疗领域具有重要影响力，尤其是在贝伐珠单抗治疗的生物标志物研究方面。

当前挑战

UKE cohort数据集面临的挑战主要集中在两个方面。首先，在领域问题方面，尽管贝伐珠单抗在卵巢癌治疗中显示出一定的疗效，但其应用缺乏明确的临床指征，导致部分患者无法从中获益。因此，识别能够预测贝伐珠单抗治疗反应的生物标志物成为关键挑战。其次，在数据集构建过程中，研究人员面临样本量有限、数据异质性高以及不同技术平台（如RNA测序与微阵列）之间的数据整合难题。此外，由于卵巢癌的高度分子异质性，识别具有临床意义的基因表达特征也极具挑战性。这些挑战限制了生物标志物的验证和临床应用，亟需更大规模的数据集和更先进的分析方法来解决。

常用场景

经典使用场景

UKE cohort数据集在卵巢癌研究中被广泛用于识别贝伐单抗（bevacizumab）治疗响应的生物标志物。通过RNA测序技术，该数据集提供了181例卵巢癌患者的转录组数据，结合临床信息，研究者能够分析不同基因表达模式与贝伐单抗治疗效果之间的关系。该数据集的使用场景主要集中在通过无监督和有监督的机器学习方法，识别与贝伐单抗响应相关的表达特征，从而为个性化治疗提供依据。

解决学术问题

UKE cohort数据集解决了卵巢癌治疗中贝伐单抗响应预测的难题。通过分析转录组数据，研究者成功识别了与贝伐单抗治疗显著相关的表达特征，特别是CTCFL驱动的癌症干细胞特征。这些发现不仅为贝伐单抗的临床应用提供了潜在的生物标志物，还为理解卵巢癌的分子机制提供了新的视角。该数据集的研究成果显著提升了贝伐单抗治疗的精准性，减少了不必要的副作用，并为未来的临床试验设计提供了重要参考。

实际应用

UKE cohort数据集的实际应用主要体现在卵巢癌的个性化治疗中。通过识别贝伐单抗响应的表达特征，临床医生能够更准确地选择适合接受贝伐单抗治疗的患者，从而提高治疗效果并减少不必要的药物副作用。此外，该数据集还为开发新的治疗策略提供了基础，例如针对CTCFL等关键基因的靶向治疗。这些应用不仅提升了卵巢癌患者的生存率，还为其他癌症的精准治疗提供了借鉴。

数据集最近研究

最新研究方向

近年来，UKE cohort数据集在卵巢癌治疗领域的研究方向主要集中在识别贝伐珠单抗（bevacizumab）治疗响应的生物标志物。通过转录组分析，研究者发现了一种与贝伐珠单抗治疗响应相关的表达特征，特别是与CTCFL基因激活相关的癌症干细胞特性。这一特征在多个独立的数据集中得到了验证，表明其在预测贝伐珠单抗治疗响应方面具有潜在的应用价值。此外，研究还揭示了其他与卵巢癌分子亚型无关的表达特征，这些特征可能成为未来研究的候选生物标志物。这些发现为个性化治疗提供了新的思路，尤其是在贝伐珠单抗治疗的选择上，具有重要的临床意义。

相关研究论文

• Transcriptome signature for the identification of bevacizumab responders in ovarian cancer

  汉堡大学计算系统生物学研究所 · 2025年