通过多omics共识机器学习方法推进肺腺癌预后和免疫治疗预测
Haoran Lin1, Xiao Zhang1, Yanlong Feng1
1Department of Thoracic Surgery, The First Affiliated Hospital of Nanjing Medical University, Nanjing, China.
Journal of cellular and molecular medicine
|July 3, 2024
概括
这项研究开发了一种针对肺腺癌 (LUAD) 的多主题共识集群模型 (MOCM). MOCM得分预测患者的预后和免疫治疗反应,确定GJB3作为潜在的治疗标.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 肺腺癌 (LUAD) 呈现出高度的异质性,限制了精确的,个性化的治疗策略.
- 现有的LUAD的预后和免疫治疗选择缺乏特异性.
- 需要强大的生物标志物来指导LUAD治疗决策.
研究的目的:
- 整合LUAD的多学科数据,以确定新的预后和预测生物标志物.
- 开发一个机器学习模型来预测患者的预后和免疫治疗反应在LUAD.
- 根据多组学分析,确定LUAD潜在的治疗点.
主要方法:
- 集成的多omics数据 (mRNA, lncRNA,miRNA,甲基化,突变) 来自TCGA为LUAD.
- 应用了十个集群算法来识别多omics共识集群 (MOCs).
- 开发了一种机器学习模型 (MOCM),使用MOCs特定的枢纽基因进行预后和免疫治疗预测.
主要成果:
- 确定了两个预后相关的MOC,MOC2与更好的结果相关.
- 在数据集中,MOCM得分有效预测了患者的预后和免疫治疗反应.
- 较低的MOCM得分与"热"瘤和更高的免疫细胞透率相关.
- 发现GJB3表达和MOCM得分之间存在显著的正相关性,GJB3促进LUAD进展.
结论:
- MOCM评分为预测LUAD患者预后和免疫治疗益处提供了可靠的工具.
- 已确定GJB3为LUAD治疗的潜在治疗标.
- 这些发现支持MOCM得分对个性化LUAD治疗的临床适用性.
