机器学习开发了一种编程的细胞死亡签名,用于预测肺腺癌的预后和免疫治疗益处

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 免疫治疗是一种免疫疗法.

背景情况:

• 肺腺癌 (LUAD) 在全球范围内预后不佳,死亡率高.
• 编程细胞死亡 (PCD) 显著影响LUAD进展和对免疫治疗的反应.

研究的目的:

• 开发和验证肺腺癌 (LUAD) 的预后细胞死亡特征 (CDS).
• 评估CDS和瘤免疫微环境之间的相关性.
• 评估CDS在预测LUAD患者免疫治疗益处方面的潜力.

主要方法:

• 使用10种方法的集成机器学习方法用于构建CDS.
• 在多个数据集 (TCGA和8个GEO数据集) 中进行了验证.
• 通过各种方法评估与瘤免疫微环境的相关性,包括单细胞分析.
• 在体外实验 (qRT-PCR,CCK-8测定) 调查了一个关键基因 (SLC7A5) 的功能.

主要成果:

• 拉索+生存SVM方法产生了最佳的预后CDS,表现出稳定和强大的性能.
• CDS独立预测了LUAD中的临床结果,表现优于临床阶段和其他特征.
• 较低的CDS得分与有利的免疫特征相关 (较高的PD1&CTLA4免疫光学得分,较高的TMB,较低的TIDE/瘤逃生得分),表明免疫治疗反应更好.
• 单细胞分析通过特定的配体-受体对 (例如,COL1A2-SDC4) 确定了显著的上皮质-纤维细胞通信.
• 在LUAD中确认了SLC7A5的升级,其敲击抑制了瘤细胞的增殖.

结论:

• 为肺腺癌 (LUAD) 开发了一种新的,验证的细胞死亡特征 (CDS).
• CDS作为一个可靠的指标,用于预测LUAD患者的预后和免疫治疗反应.
• 这种签名可以帮助患者分层,以便制定更有效的治疗策略.