在由PLA2G7阳性巨驱动的异常性肺纤维化患者中识别免疫模式,使用集成的机器学习生存框架

科学领域:

• 免疫学 免疫学 免疫学
• 肺部医学 肺部医学
• 生物标志物发现发现

背景情况:

• 异形性肺纤维化 (IPF) 是一种具有复杂病理的不可治愈的肺部疾病.
• 确定患者亚型对于早期诊断,干预和改善结果至关重要.

研究的目的:

• 在IPF患者中识别新的免疫模式和生物标志物.
• 开发一个预后模型来预测IPF患者的病情和结果.

主要方法:

• 对免疫亚型进行单样样本基因组丰富分析.
• 针对免疫亚型相关基因的加权相关联网分析.
• 机器学习用于免疫相关风险评分 (IRS) 模型.
• 单细胞测序用于研究巨细胞衍生PLA2G7.7.
• 分子对接和表面等离子体共振用于赛莱科西布-PLA2G7相互作用.

主要成果:

• 确定了两种不同的IPF免疫亚型:免疫激活/炎症和免疫抑制.
• 美国国税局有效地预测IPF免疫状态和预后.
• 巨细胞衍生的PLA2G7是IPF炎症微环境中的关键参与者.
• 在多队列和单细胞分析中,PLA2G7显示出诊断和预后价值.
• 切莱可西布表现出与PLA2G7.7的稳定结合.

结论:

• PLA2G7是IPF诊断,预后和免疫状况预测的稳定和新型生物标志物.
• 美国国税局是评估IPF患者免疫状况和预测结果的有效工具.
• 针对PLA2G7使用诸如赛莱科西布之类的药物可能具有治疗潜力.