集成的机器学习生存框架来破译各种细胞死亡模式,用于预测肺腺癌的预后
Fangchao Zhao1, Xu Zhang1, Yanhua Tian2
1Department of Thoracic Surgery, The Second Hospital of Hebei Medical University, Shijiazhuang, Hebei, China.
Genes and immunity
|August 31, 2024
概括
这项研究开发了一种新的细胞死亡指数 (CDI) 模型,使用人工智能来预测肺腺癌 (LUAD) 患者的生存率. CDI模型显示出卓越的准确性和在LUAD中指导免疫疗法策略的潜力.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 编程细胞死亡 (PCD) 在瘤调节中至关重要,但其在肺腺癌 (LUAD) 中的多样性作用尚未完全理解.
- 需要对LUAD中PCD模式进行全面分析,以改善预后和治疗策略.
研究的目的:
- 开发和验证基于PCD模式的LUAD人工智能衍生的预后签名.
- 评估与现有的临床和分子特征对抗新型签名的预测性能.
- 探索LUAD中签名,免疫微环境和免疫治疗反应之间的关系.
主要方法:
- 利用了1481个调节13个PCD模式的基因.
- 采用了10种机器学习算法组合来选择最佳模型.
- 在四个独立的多中心LUAD队列中验证了预后签名.
主要成果:
- 开发了一个最佳的细胞死亡指数 (CDI) 模型,可以独立预测LUAD患者的整体存活率.
- 与传统的预后因素和已发表的模型相比,CDI模型显示出更高的准确性和性能.
- 较低的CDI得分与增加的免疫细胞透和更好的免疫疗法反应相关,与抗原呈现机制有关.
结论:
- CDI模型是对LUAD的强大和有前途的预测工具,其表现优于现有的方法.
- CDI可以帮助分层LUAD患者接受免疫治疗,特别是那些免疫分数较高的患者.
- 抗原呈现在LUAD中是一个关键的PCD机制,SCG2被确定为一个关键的抑制分子.
