基于多omics数据的通用机器学习,以描述铁死途径对膀癌患者的预后和免疫治疗反应的影响

科学领域:

• 在瘤学瘤学.
• 分子生物学分子生物学
• 生物信息学是一种生物信息学.

背景情况:

• 膀癌 (BLCA) 是一个重大的全球健康挑战,发病率和死亡率很高.
• 氧化应激诱导的细胞死亡的新型形式铁亡,正在成为癌症生物学中的关键因素.

研究的目的:

• 识别用于预测膀癌预后的新型铁亡相关基因 (FRG).
• 研究这些FRG在瘤微环境中的作用和潜在的治疗点.

主要方法:

• 利用来自BLCA患者的单核RNA-seq (snRNA-seq) 数据.
• 应用权重基因共同表达网络分析 (WGCNA),COX和LASSO回归以确定预后FRG.
• 对免疫透,药物敏感性进行了生物信息分析,并在体外验证了SKAP1的功能.

主要成果:

• 一个包括六个基因 (JUN,SYT1,MAP3K8,GALNT14,TCIRG1,SKAP1) 的预后模型被开发用于BLCA患者分层.
• 低风险组表现出更高的免疫透率和更好的免疫疗法反应.
• SKAP1被确定为一种直接调节BLCA细胞增殖和亡的瘤基因.

结论:

• 一个六基因签名有效地根据预后对BLCA患者进行分层.
• SKAP1在BLCA细胞增殖和细胞亡中发挥着直接的调节作用,突出显示了FRG在BLCA病变发生过程中的重要性.
• 这些发现表明,潜在的治疗策略是针对铁亡途径和特定的基因,如SKAP1.