一个多组学分析辅助的深度学习模型将面向巨细胞的模块确定为结直肠癌的潜在治疗标

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 生物信息学是一种生物信息学.

背景情况:

• 大肠直肠癌 (CRC) 涉及瘤微环境 (TME) 内的复杂相互作用.
• 虽然CRC TME的单细胞分辨率已经确立,但空间相互作用地图在很大程度上仍未定义.
• 了解空间TME动态对于改善CRC预后和治疗策略至关重要.

研究的目的:

• 开发CRC TME的空间交互地图.
• 在CRC TME中识别关键的细胞组件及其空间关系.
• 为了提高结直肠癌的预后预测和治疗开发.

主要方法:

• 整合多组学分析,构建一个空间交互地图.
• 结直肠癌免疫模块 (CCIM) 的识别和表征,包括特定的免疫细胞群 (FOLR2+巨细胞,耗尽/耐受性CD8+ T细胞,耗尽的CD4+ T细胞,调节性T细胞).
• 应用先进的深度学习 (CCIM-Net) 来根据空间地图预测化疗反应.

主要成果:

• 建立了CRC TME的全面空间交互地图.
• 构建的CRC免疫模块 (CCIM) 显示出与预后和治疗反应的显著关联.
• CCIM-Net在独立队列中实现了强大的化疗反应预测性能.
• 向FOLR2+巨细胞破坏了免疫抑制性CCIM,并在临床前模型中提高了化疗疗效.

结论:

• 开发的空间交互地图和CCIM为CRC TME复杂性提供了新的见解.
• CCIM-Net是预测结直肠癌患者化疗反应的强大工具.
• 针对特定的免疫组件,如FOLR2+巨细胞,提供了一个有前途的治疗策略,以克服CRC的治疗耐药性.