综合性多组和机器学习方法用于预后分层和治疗向肺状细胞癌中的治疗向

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.

背景情况:

• 肺状细胞癌 (LUSC) 由于癌细胞的增殖,转移和耐药性,在治疗中存在挑战.
• 目前尚缺少用于LUSC预后和向治疗选择的最佳预测模型.
• 多原子数据为了解癌症生物学和识别预后指标提供了一个独特的视角.

研究的目的:

• 整合多组数据用于LUSC患者分类.
• 开发一种最佳的机器学习模型,用于预测预后和指导治疗.
• 探索不同风险群体的瘤微环境和免疫治疗反应.

主要方法:

• 整合基因表达,DNA甲基化,基因组突变和来自LUSC患者的临床数据.
• 应用10个共识聚类算法来识别子类型.
• 使用7个关键基因开发一个机器学习模型 (LUSC多omics签名 - LMS).

主要成果:

• 确定了两个与预后相关的LUSC亚型,其中CS1显示出更好的预后.
• 与现有的LUSC生物标志物相比,LMS得分显示出更好的预测性能.
• 较低的LMS得分与更高的整体存活率和改善的免疫治疗反应相关.
• 高LMS群体的特点是"冷"瘤,这表明大萨尼布等药物的潜在益处.
• 在体外验证SERPINB13作为潜在的瘤基因和治疗点.

结论:

• 开发的LMS模型完善了LUSC的分子分类.
• LMS得分有助于预测患者的预后和免疫治疗反应.
• 研究结果为优化LUSC治疗策略和免疫治疗提供了洞察力.