基于瘤干细胞中的差异基因开发NSCLC的预后模型
Yuqi Ma1, Jiawei Li1, Chunping Xiong2
1School of Basic Medical Sciences, Chengdu University of Traditional Chinese Medicine, Chengdu, China.
Scientific reports
|September 9, 2024
概括
这项研究开发了一个机器学习模型来预测非小细胞肺癌 (NSCLC) 的预后,并确定SLC2A1作为潜在的治疗点. 该模型准确地预测了患者的结果,并表明SLC2A1可以提高思丁治疗的疗效.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 非小细胞肺癌 (NSCLC) 是癌症相关死亡的主要原因.
- 在NSCLC中,西斯普拉丁耐药性限制了治疗效果和患者预后.
- 在NSCLC中需要准确的预后工具和新的治疗点.
研究的目的:
- 开发一种基于机器学习的NSCLC强大的预后模型.
- 确定与NSCLC预后和西斯普拉丁耐药性相关的关键基因.
- 评估SLC2A1在NSCLC中的治疗潜力.
主要方法:
- 分析来自NSCLC患者的单细胞RNA测序 (scRNA-seq) 和大量RNA-seq数据 (GEO和TCGA数据库).
- 在使用Seurat和UMAP的瘤干细胞中识别差异表达基因 (DEGs).
- 开发一个机器学习框架,将10种方法 (101种组合) 结合起来,以实现最佳的预后风险建模,然后进行名录构造.
- 在实验室验证SLC2A1在NSCLC细胞增殖,入侵,迁移和抗西斯普拉丁抗性的作用.
主要成果:
- 从218,379个细胞中确定了一个22个细胞的集群景观,揭示了162个DEGs.
- 一个101组合机器学习模型"StepCox[both]+RSF",包括8个基因,在训练和验证集中显示出高预测准确度.
- 向抑制SLC2A1显著降低了A549细胞的增殖,入侵和迁移,并降低了A549/DDP细胞中西斯普拉丁耐药性.
结论:
- 开发的机器学习模型为NSCLC诊断预测提供了一个精确和可靠的工具.
- SLC2A1成为一个有前途的预后标志物和NSCLC的潜在治疗点.
- 这些研究结果为为临床治疗决策提供了宝贵的见解,并改善了NSCLC患者的治疗结果.
