基于机器学习的生物标志物查用于急性髓性白血病,从各种细胞死亡模式的预后和治疗

科学领域:

• 在瘤学瘤学.
• 分子生物学分子生物学
• 生物信息学是一种生物信息学.

背景情况:

• 急性髓性白血病 (AML) 的特点是异质性和耐化疗性.
• 异常的编程细胞死亡 (PCD) 途径与AML病原发生有关.
• 与PCD相关的特征可以作为临床结果和药物反应的生物标志物.

研究的目的:

• 使用编程细胞死亡 (PCD) 途径开发和验证急性髓性白血病 (AML) 预后和药物反应的预测模型.
• 确定一种用于预测临床结果和指导AML个性化治疗的新型特征.

主要方法:

• 从10个算法中利用了13个PCD路径和73个机器学习组合.
• 分析了来自TCGA-AML,Tyner和GSE37642-GPL96队列的批量和单细胞RNA测序数据.
• 构建并验证了一个6基因泛编程细胞死亡相关基因指数 (PPCDI) 签名.

主要成果:

• 在外部队列中开发和验证了PPCDI签名,显示与AML预后更差的关联.
• 结合PPCDI的预后性诺莫图谱准确预测了AML患者的结果.
• 高PPCDI与化疗耐药性相关,但对达沙替尼和甲酸甲等特定药物的敏感性.
• 多omics分析揭示了PPCDI与免疫特征和AML免疫微环境的联系.

结论:

• 新的PPCDI模型有效地预测AML的临床预后和药物敏感性.
• PPCDI具有指导AML患者个性化治疗选择的潜力.
• 这个签名为了解AML异质性和治疗耐药性提供了一个新的工具.