整合多种机器学习方法,在肺腺癌中构建与谷氨酸代谢相关的信号

科学领域:

• 在瘤学瘤学.
• 代谢途径 代谢途径
• 生物信息学是一种生物信息学.

背景情况:

• 谷氨胺代谢 (GM) 在癌症中至关重要,但其在肺腺癌 (LUAD) 中的确切作用需要进一步阐明.
• 了解转基因的贡献可以揭示LUAD治疗的新型治疗点.

研究的目的:

• 利用基于转基因相关基因 (GMRGs) 的机器学习开发LUAD的预后模型.
• 通过分析GMRG及其与患者结果和免疫疗法反应的关联来确定LUAD的潜在治疗点.

主要方法:

• 利用AUCell和WGCNA算法与单细胞和大量RNA-seq数据来识别LUAD中的关键GMRGs.
• 采用多种机器学习算法,包括随机生存森林 (RSF) 和监督主要组件 (SuperPC),以构建和验证预测风险模型.
• 研究瘤微环境 (TME),突变场景,途径和风险组之间的免疫治疗反应,以及LGALS3.3在体外和体内验证.

主要成果:

• 确定了173个与转基因活动有显著联系的GMRG,构成了预后模型的基础.
• 在多个外部 LUAD 数据集中验证了预测模型的预测性能.
• 在低风险组观察到更高的免疫细胞透和免疫检查点表达,这表明免疫治疗反应更好.
• 证实LGALS3促进了LUAD细胞的增殖,入侵和迁移.

结论:

• 开发了一种基于GMRG的稳健预后模型,用于LUAD,预测免疫治疗的有效性.
• 突出了LGALS3作为肺腺癌治疗的潜在治疗标.
• 通过整合转基因洞察,为LUAD治疗策略提供了新的途径.