[Modelo de firma de muerte celular programada basado en el aprendizaje automático para la predicción precisa del...

Área de la Ciencia:

• Oncología Oncología.
• Inmunología Inmunología.
• Biología computacional Biología computacional.

Sus antecedentes:

• El melanoma presenta desafíos en el pronóstico y el tratamiento debido a la aparición, la metástasis y la resistencia a los medicamentos.
• Los modelos predictivos existentes carecen de precisión para pronosticar los resultados de los pacientes y guiar la terapia.

Objetivo del estudio:

• Desarrollar modelos predictivos para el pronóstico del melanoma y la sensibilidad a los medicamentos.
• Para utilizar los mecanismos de muerte celular programada (PCD) para el desarrollo de modelos.

Principales métodos:

• Integró 19 patrones de PCD en un conjunto completo de genes.
• Utilizó conjuntos de datos TCGA y GEO para capacitación y validación.
• Aprendizaje automático empleado (101 combinaciones) para construir firmas de PCD.
• Analizó la infiltración inmune, la comunicación célula-célula y la sensibilidad a los medicamentos.

Principales resultados:

• Desarrolló una puntuación de PCD (PCDS) robusta con un índice C de 0.677 en todas las cohortes.
• El alto nivel de PCDS se correlacionó con una peor supervivencia, inmunosupresión y reducción del beneficio de la inmunoterapia.
• El PCDS demostró robustez en comparación con las firmas existentes e identificó pacientes de alto riesgo.
• El SDPC está asociado con la sensibilidad a múltiples fármacos, lo que permite una posible estratificación del tratamiento.

Conclusiones:

• El PCDS es una herramienta confiable para predecir el pronóstico del melanoma y la respuesta a la inmunoterapia.
• La PCDS refleja la inmunosupresión tumoral y las características relacionadas con los mieloides/macrófagos.
• Los PCDS ayudan en la estratificación del riesgo individualizado y la selección de fármacos para pacientes con melanoma.