在膀癌中建立基于机器学习融合的TIIC签名得分

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:

• 膀癌呈现出高度的异质性,目前的治疗方法如 TURBT 和 BCG 疗法面临限制.
• 很大一部分非肌肉侵入性膀癌 (NMIBC) 进展为肌肉侵入性膀癌 (MIBC),手术后复发很常见.
• 预测膀癌的免疫治疗结果仍然是一个挑战.

研究的目的:

• 开发和验证一种新的RNA签名得分,用于预测膀癌的整体存活率 (OS) 和免疫治疗反应.
• 确定与瘤透免疫细胞 (TIICs) 相关的关键RNA特征,这些特征具有预后价值.

主要方法:

• 从TCGA和GEO数据库分析膀癌RNA-seq和临床数据.
• 机器学习算法的应用,从单细胞数据中识别TIIC相关RNA.
• 使用机器学习融合方法开发TIIC签名得分.

主要成果:

• 鉴定了171个TIIC-RNA,其中11个因其预后价值而被选择.
• TIIC签名得分与OS和数据集中的预测性能有显著的关联.
• 在TIIC签名得分和免疫治疗反应之间观察到负相关性,这表明得分较低的患者的结果更好.

结论:

• 基于TIIC特征的经过验证的RNA签名评分系统已成功构建.
• 这种特征得分有效地预测了膀癌患者的整体存活率和免疫疗法的有效性.
• 这一分数与免疫调节,细胞代谢和遗传变异有关,为膀癌生物学提供了洞察力.