机器学习识别的茎状特征和构建的茎状相关亚型,用于非小细胞肺癌患者的预后,化疗和免疫治疗反应

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 癌症研究 癌症研究

背景情况:

• 非小细胞肺癌 (NSCLC) 仍然是全球癌症相关死亡的主要原因.
• 识别不同的患者亚组对于个性化治疗策略至关重要.
• 茎状特征越来越被认为对癌症的进展和治疗反应很重要.

研究的目的:

• 开发和验证基于茎状特征的NSCLC新型亚型分类方法.
• 分析已识别的NSCLC亚型之间的临床,基因组和免疫差异.
• 研究ARTN基因在NSCLC进展中的作用.

主要方法:

• 利用癌症基因组图谱数据库计算NSCLC患者的干度指数 (mRNAsi).
• 采用无监督的共识集群,将患者分为两种不同的干性亚型.
• 应用了四种机器学习方法来构建和验证茎性亚型的分类模型.
• 进行了细胞功能实验,以评估ARTN基因对NSCLC的影响.

主要成果:

• 与II亚型相比,I亚型患者表现出更好的无进展生存期 (PFS),更高的体质突变负担和更多的拷贝数变化.
• 在亚型之间的瘤免疫微环境中观察到显著差异,其中亚型II显示出更高的免疫,结构和整体得分,这表明免疫检查点抑制剂的益处有限.
• 基于22个特征基因的分类模型被开发并使用机器学习验证.
• 确定ARTN是促进NSCLC扩散,入侵和迁移的关键基因,与癌症干细胞特性有关.

结论:

• 基于新型干度的分类有效地区分了NSCLC患者的特征.
• 这种分类为优化NSCLC临床治疗选择和规划提供了基础.
• 准像ARTN这样的干细胞路径和基因可能为NSCLC提供新的治疗途径.