相关实验视频
Updated: Jul 8, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.0K
机器学习算法整合了批量和单细胞转录组测序,以揭示胰腺癌与免疫相关的个性化治疗预测特征
Longjun Zang1, Baoming Zhang1, Yanling Zhou2
1Department of General Surgery, Taiyuan Central Hospital, Taiyuan 030009, Shanxi, P.R. China.
Aging
|December 14, 2023
概括
这项研究确定了胰腺癌 (PC) 中不同的瘤免疫环境,揭示了免疫丰富和免疫荒漠子组. 这些分类可以预测免疫治疗的敏感性,并指导PC的个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 遗传学 遗传学 是一个
背景情况:
- 胰腺癌 (PC) 预后不佳,其进展受到瘤免疫环境 (TIME) 的影响.
- 了解时间对于开发PC有效的个性化治疗至关重要.
研究的目的:
- 根据时间对PC患者进行分类,以指导个性化治疗.
- 开发一种与免疫相关的签名 (IRS) 模型,用于预测PC的治疗反应和预后.
主要方法:
- 在1612个免疫相关基因 (IRG) 的共识聚类中,定义了TIME子组.
- 开发和验证一个8基因的IRS模型.
- RT-qPCR和单细胞RNA测序 (scRNA-seq) 用于基因表达和细胞相互作用.
主要成果:
- 确定了两个不同的TIME子组 (Immune_rich和Immune_desert),显示出对免疫检查点阻断剂 (ICB) 的不同敏感性.
- 8基因的IRS模型有效地预测了患者的结果以及对化疗和免疫治疗的敏感性.
- scRNA-seq通过特定的分子轴揭示了纤维细胞和导管细胞与瘤细胞的相互作用.
结论:
- 该研究提供了TIME在PC中的新分类,有助于个性化治疗策略.
- 美国国税局模型是预测胰腺癌患者治疗反应和预后的宝贵工具.
- 已确定的治疗点和药物为治疗高IRS的胰腺癌提供了潜在的可能性.
