通过集成的多omics分析和机器学习来识别清细胞细胞癌中与凝血相关的预后特征

科学领域:

• 在瘤学瘤学.
• 血液学 血液学 血液学
• 基因组学就是基因组学.
• 免疫学 免疫学 免疫学

背景情况:

• 清细胞细胞癌 (ccRCC) 由于高发病率和死亡率而带来重大公共卫生挑战.
• 与癌症相关的血栓形成使ccRCC治疗复杂化,导致药物耐药性和手术决策困难.
• 凝血途径的作用,它与瘤微环境的联系,以及ccRCC中的免疫途径仍未得到充分探索.

研究的目的:

• 在ccRCC中使用集成的多omics数据全面分析与凝血相关的基因.
• 识别和验证凝血基因特征,用于预测ccRCC的临床结果.
• 研究凝血基因,瘤细胞异质性和ccRCC中的瘤免疫微环境之间的关系.

主要方法:

• 从ccRCC患者的大量RNA-seq,DNA突变,甲基化,单细胞和蛋白质组数据的综合分析.
• 达成共识的聚类表明了与凝血相关的基因组的重要性.
• 机器学习方法可以识别凝血特征基因,分类瘤细胞类型,并分析基因表达模式.

主要成果:

• 在多个独立的ccRCC数据集 (TCGA,ICGC,E-MTAB-1980) 中确定并验证了一组5个凝血特征基因.
• 受拷贝数变化 (CNV) 和甲基化影响的凝血基因表达模式与亡,免疫透,血管新生和细胞外矩阵途径相关.
• 确定了两种不同的瘤细胞群体,具有凝血特征基因的差异表达,影响T细胞分化和整体免疫细胞功能.

结论:

• 已识别的凝血特征基因对于ccRCC的发病和进展至关重要.
• 凝血途径与瘤细胞异质性,免疫逃避和ccRCC中的瘤微环境密切相关.
• 这些发现凸显了针对ccRCC中新型治疗策略的凝血途径的潜力.