一种基于蛋白质的机器学习方法用于识别胰腺管道腺癌中的炎症亚型
Kelly M Herremans1, Patrick W Underwood1, Andrea N Riner1
1Department of Surgery, University of Florida College of Medicine, Gainesville, FL, USA.
概括
机器学习确定了两种胰腺管腺癌 (PDAC) 炎症亚型. 这些亚型与糖尿病和减少血液流失相关,这表明PDAC的潜在治疗点.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 生物信息学是一种生物信息学.
背景情况:
- 胰腺管道腺癌 (PDAC) 由于其免疫抑制性瘤微环境和异质性而构成重大挑战.
- 目前治疗方法的有效性有限,导致PDAC的高致死率.
研究的目的:
- 通过机器学习来调查胰腺管腺癌 (PDAC) 是否可以根据其炎症微环境进行分类.
- 在PDAC瘤中识别不同的炎症亚型.
主要方法:
- 在59个未经治疗的PDAC瘤样本中分析了41个炎症蛋白,使用多重测试.
- 应用t分布式随机邻居嵌入 (t-SNE) 机器学习用于基于细胞因子/化学因子水平的亚型聚类.
- 统计分析包括威尔科克森等级总和测试和卡普兰-梅尔生存分析.
主要成果:
- 机器学习揭示了两个不同的PDAC炎症集群:免疫调节和免疫刺激.
- 胰腺头部瘤中的免疫刺激亚型与患糖尿病的可能性更高 (p=0.027) 和手术内流血的减少 (p=0.0008) 相关.
- 虽然在统计学上没有显著性 (p=0.161),但免疫刺激组显示出更长的中位生存时间 (20.48 vs 11.28个月) 的趋势.
结论:
- 一种机器学习方法成功地在PDAC微环境中识别了两个不同的炎症亚型.
- 这些亚型可能会影响患者的特征,如糖尿病状况和手术结果,如手术期间流血.
- 对这些炎症亚型的进一步研究可能会揭示新的治疗点,以克服PDAC的免疫抑制瘤微环境并改善治疗反应.
