机器学习构建了一个与T细胞相关的特征,用于预测卵巢癌的预后和药物敏感性

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:

• 卵巢癌是妇科癌症死亡的主要原因,往往预后不好.
• T细胞对于免疫监测和瘤消除至关重要;它们在瘤中的失调导致免疫疗法耐药性.

研究的目的:

• 根据T细胞相关标记物开发卵巢癌的预后特征.
• 评估签名预测临床结果,药物敏感性和卵巢癌免疫治疗反应的能力.

主要方法:

• 利用单细胞RNA-seq分析来识别与T细胞相关的标记物.
• 在多个公共数据集 (TCGA,GSE14764,GSE26193,GSE26712,GSE140082) 上使用10个机器学习算法构建了一个T细胞相关签名 (TRS).
• 使用GSE91061和IMvigor210数据集分析了TRS与药物敏感性的相关性.

主要成果:

• 基于PlsRcox方法的TRS确定为卵巢癌患者结局的显著风险因素.
• 与阶段,等级和其他预后特征相比,TRS在预测临床结果方面表现优越.
• 基于TRS的风险评分与ESTIMATE评分,免疫功能和免疫细胞水平相关,并预测了免疫疗法和化疗反应.

结论:

• 一种强大的T细胞相关特征 (TRS) 已被开发用于卵巢癌.
• TRS准确地预测患者的临床结果和对免疫疗法和化疗的反应.