基于机器学习的三重阴性乳腺癌患者免疫类型特征的全面分析
Lijuan Tang1, Zhe Zhang1, Jun Fan1
1Department of Breast and Thyroid Surgery, Daping Hospital, Army Military Medical University, Chongqing, China.
Frontiers in pharmacology
|July 10, 2023
概括
一个新的机器学习模型准确地预测了使用免疫类型的三阴性乳腺癌 (TNBC) 患者的预后. 这种风险特征还可以识别潜在的药物敏感性,改善TNBC的治疗策略.
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:
- 三重阴性乳腺癌 (TNBC) 免疫疗法显示出希望,但5年生存率仍然不够理想.
- 在临床实践中,对于TNBC患者来说,急需改善预后签名.
研究的目的:
- 建立和验证基于机器学习的TNBC预后风险模型.
- 探索风险特征和化疗药物敏感性之间的相关性.
- 评估模型在预测免疫治疗反应方面的有效性.
主要方法:
- 利用公开可用的数据集进行模型开发和验证.
- 采用机器学习算法来识别用于免疫类型化的关键基因 (IL18R1,BTN3A1,CD160,CD226,IL12B,GNLY,PDCD1LG2).
- 将风险特征的预测能力与临床病理特征和TIDE分析进行了比较.
主要成果:
- 开发的风险标志显示了TNBC强大的预测能力.
- 综合性免疫类型测定在评估TNBC预后方面被证明是有效和准确的.
- 该模型在预测免疫治疗反应方面的表现超过了TIDE的结果.
- 高风险患者对特定化合物的敏感性增加 (MR-1220,GSK2110183,泰姆西罗利斯).
结论:
- 基于免疫型的风险评估模型为TNBC患者提供了更准确的预后工具.
- 风险模型有可能预测药物敏感性,指导个性化治疗策略.
- 确定了与TNBC免疫类型和预后相关的关键基因.
