基于机器学习的共识免疫衍生的基因签名的识别,以改善头部和部状细胞癌治疗和结果

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 头角状细胞癌 (HNSCC) 是一种具有不良患者结局的侵袭性恶性瘤.
• 目前的分期系统缺乏有效选择治疗所需的精度.
• 迫切需要一个可靠的生物标志物来早期检测HNSCC和量身定制的治疗.

研究的目的:

• 开发和验证一种用于预测HNSCC预后的新型基因特征.
• 确定一个生物标志物,可以指导治疗决策,并改善患者分层.
• 探索基因特征,基因组变化,免疫细胞透和治疗反应之间的关系.

主要方法:

• 利用十种不同的机器学习算法和85种组合来构建共识免疫衍生基因签名 (CIDGS).
• 应用CIDGS来分析三个独立队列 (719名HNSCC患者) 的基因表达特征.
• 验证了CIDGS的预测性能与现有的签名和临床特征相比.

主要成果:

• 开发的CIDGS准确地预测了对HNSCC的培训,测试和元队列的预后.
• 当与临床数据相结合时,CIDGS与其他签名相比显示出更高的预测能力.
• 患有低CIDGS的患者表现出更少的基因组变化,更高的免疫透率和更好的免疫治疗反应,以及改善的预后.
• 高CIDGS得分与HNSCC患者的生存时间缩短有关.
• CIDGS还在分层免疫治疗反应和膀癌的预后方面表现出有效性.
• 尼克洛萨米德和鲁克索利提尼布成为高CIDGS的HNSCC患者的潜在治疗药物.

结论:

• 一致性免疫衍生基因签名 (CIDGS) 显示出在HNSCC.风险分层和结果预测中临床应用的巨大潜力.
• CIDGS可以帮助识别可能受益于特定疗法的患者,包括免疫疗法.
• 进一步的研究可能会验证CIDGS在其他癌症类型中更广泛的应用,例如膀癌.