结合免疫检查点基因来预测肺腺癌免疫疗法的疗效的预后模型:整合机器学习算法的队列研究
Xi-Lin Yang1, Zheng Zeng1, Chen Wang1
1Department of Radiation Oncology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, People's Republic of China.
Immunologic research
|May 16, 2024
概括
一种使用免疫检查点基因的新型诺米图预测了肺腺癌 (LUAD) 的预后和免疫治疗反应. 该工具有助于识别可能受益于免疫检查点阻塞 (ICB) 治疗的患者.
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:
- 肺腺癌 (LUAD) 是一个重大的健康挑战.
- 预测患者的预后和对免疫检查点阻塞 (ICB) 治疗的反应仍然至关重要.
- 确定可靠的LUAD生物标志物对于个性化治疗策略至关重要.
研究的目的:
- 开发和验证用于LUAD预后和ICB疗效的预测性名录.
- 确定与患者的治疗结果和治疗反应相关的关键免疫检查点基因 (ICG).
- 为量身定制的治疗干预,将LUAD患者分为不同的风险组.
主要方法:
- 使用机器学习算法 (RF,LASSO,SVM) 来从TCGA和组合数据集 (GSE41272 + GSE50081) 中选择预测性ICG.
- 根据已识别的ICG构建并验证了基于预后的诺姆图.
- 通过GSVA和其他算法评估功能丰富和免疫透.
- 在三个独立的肺癌队列中评估了名图对ICB疗效的预测能力.
主要成果:
- 确定了五个ICG,由所有三种机器学习算法一致选择.
- 在培训和验证队伍中开发了一个名图表,显示出强大的预测性能 (AUC ≈ 0.800).
- 将患者分为高风险和低风险分组,低风险组显示出增强的免疫激活和透 (例如CD8+ T细胞,M1巨细胞).
- 低风险小组更有可能从ICB治疗中受益,并且无进展生存时间 (PFS) 更长.
结论:
- 一个经过验证的基于ICG的诺姆图可以有效地预测LUAD患者的预后和ICB治疗疗效.
- 纳米图有助于风险分层,有助于选择可能从免疫治疗中受益最多的患者.
- 这种工具有可能改善临床决策和LUAD管理中的患者结果.
