使用移植前和移植后的骨髓样本的向转录组和机器学习来预测急性移植对宿主疾病和异构干细胞移植后的整体存活率
Scott D Rowley1,2, Thomas S Gunning3, Michael Pelliccia3
1Georgetown University School of Medicine, Washington, DC 20007, USA.
Cancers
|April 13, 2024
概括
机器学习识别了基因表达模式,以预测急性移植对宿主疾病 (aGvHD) 和血造干细胞移植 (HSCT) 后的生存率. 这些发现可能使早期干预能够改善患者的治疗结果.
科学领域:
- 血液学 血液学 血液学
- 免疫学 免疫学 免疫学
- 基因组学就是基因组学.
背景情况:
- 急性移植对宿主疾病 (aGvHD) 是全源造血干细胞移植 (HSCT) 后的一种严重并发症,导致大量的发病率和死亡率.
- 对aGvHD和患者存活率的预测生物标志物对于优化HSCT结果至关重要.
研究的目的:
- 开发一种机器学习模型,使用来自HSCT患者的RNA表达数据来预测aGvHD和生存率.
- 确定与aGvHD相关的关键基因和信号通路以及HSCT后的生存.
主要方法:
- 从167名HSCT患者的骨髓样本中分析了1408个候选基因的RNA表达.
- 应用机器学习算法 (随机森林,极端梯度提升) 来预测aGvHD和使用HSCT前后RNA数据的生存率.
- 将患者划分为培训和验证组,以进行可靠的模型评估.
主要成果:
- 后HSCTRNA数据确定了92个预测aGvHD的基因,涉及PI3/AKT,MAPK和FOXO信号通路.
- 参与MAPK和化学因信号传递的20个基因预测了生存率.
- 在HSCT前的RNA数据产生了预测aGvHD (400个基因) 和生存率 (700个基因) 的模型,尽管没有确定具体的途径.
结论:
- 下一代测序 (NGS) 分析RNA表达与机器学习相结合,为预测aGvHD和HSCT患者的生存提供了潜在的生物标志物.
- 识别关键的信号通路为GvHD病原体和潜在的治疗点提供了洞察力.
- 对HSCT前骨髓样本的分析可以促进早期干预,以改善HSCT结果.
