肺腺癌的预后特征的免疫,代谢景观,基于一种新的深度学习框架
Shimei Qin1, Shibin Sun1, Yahui Wang1
1College of Bioinformatics Science and Technology, Harbin Medical University, Harbin, 150000, China.
Scientific reports
|January 4, 2024
概括
这项研究通过分析免疫和代谢功能来确定肺腺癌 (LUAD) 的新生物标志物. 使用这些生物标志物的风险模型可以预测患者的结果和潜在的治疗反应.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 肺腺癌 (LUAD) 由于其高致死性而构成重大挑战.
- 确定可靠的生物标志物对于改善LUAD诊断和预后至关重要.
研究的目的:
- 发现肺腺癌 (LUAD) 的新生物标志物.
- 为LUAD患者开发一个预后风险模型.
- 调查与LUAD风险分层相关的免疫和代谢情景.
主要方法:
- 在TCGA-LUAD数据集上使用了变化自编码器 (VAE) 和多层感知子 (MLP) 联合框架 (VAEjMLP).
- 在特征基因贡献分析中使用沙普利添加剂解释 (SHAP).
- 使用考克斯回归和外部数据集构建并验证了一个预后风险模型.
主要成果:
- 确定了19种参与免疫和代谢调节的潜在LUAD生物标志物.
- 开发了一个使用HLA-DRB1,SCGB1A1和HLA-DRB5的预后风险模型,区分高风险和低风险组.
- 低风险组表现出丰富的免疫通路和透;高风险组表现出增加的代谢活动,包括有氧糖解和改变的氨基酸/脂质代谢.
结论:
- 鉴定出的预后特征揭示了LUAD中独特的免疫和代谢特征.
- 风险模型有效地对患者进行分层,并预测对特定疗法的敏感性 (阿法替尼布,格菲替尼布,吉姆奇塔丁).
- 这项研究提供了关于LUAD生物标志物发现和治疗策略的见解.
