一个集成的机器学习框架识别了预后基因对生物标记物,这些生物标记物与清细胞脏细胞癌中编程细胞死亡方式有关
Bohong Chen1, Mingguo Zhou1, Li Guo1
1Department of Urology, The First Affiliated Hospital of Xi'an Jiaotong University, 710061 Xi'an, Shaanxi, China.
Frontiers in bioscience (Landmark edition)
|March 27, 2024
概括
一个新的与细胞死亡相关的基因对得分 (CDRGPS) 显示出预测清细胞细胞癌 (ccRCC) 结果的前景,并指导包括免疫治疗在内的个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 清细胞细胞癌 (ccRCC) 缺乏有效的个性化疗法.
- 编程细胞死亡 (PCD) 对癌症的预后和免疫治疗反应至关重要.
- 在ccRCC中PCD的临床作用仍然不清楚.
研究的目的:
- 开发和验证基于PCD相关基因的ccRCC的新型预后生物标志物.
- 评估这种生物标志物在预测治疗反应方面的潜力.
- 研究PRSS23在ccRCC进展和免疫反应中的作用.
主要方法:
- 使用ssGSEA,共识聚类和Cox回归对PCD相关基因对的查.
- 使用机器学习框架 (113个组合) 开发细胞死亡相关基因对得分 (CDRGPS).
- 来自CT图像的放射性评分 (Rad_Score) 用于分类CDRGPS状态;PRSS23功能通过实验验证.
主要成果:
- CDRGPS是ccRCC总生存率的独立预后生物标志物,其表现优于现有的签名.
- 通过CDRGPS识别的高风险ccRCC患者对TKI,mTOR抑制剂和免疫疗法反应有所改善.
- Rad_Score有效预测了CDRGPS状态 (AUC=0.813);PRSS23证实了转移和免疫反应中的作用.
结论:
- CDRGPS是一种经过验证的,非侵入性的ccRCC预后工具.
- CDRGPS有可能增强临床决策和个性化ccRCC治疗.
- 这一分数可以通过量身定制的治疗策略改善ccRCC患者的治疗结果.
