基于机器学习的新分类,用于质瘤的免疫透
Feng Yuan1, Yingshuai Wang2, Lei Yuan3
1Department of Neurosurgery, The First Affiliated Hospital of Anhui Medical University, Hefei, Anhui, China.
PloS one
|October 25, 2024
概括
这项研究使用机器学习识别了四种不同的质瘤免疫亚型,揭示了免疫细胞透,分子特征和临床结果的差异,以指导免疫疗法策略.
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:
- 质瘤是一种异质的,免疫性较差的瘤,免疫疗法的有效性有限.
- 免疫抑制性瘤微环境 (TME) 阻碍了免疫治疗的有效性.
- 了解质瘤的免疫微环境 (IME) 对于改善治疗至关重要.
研究的目的:
- 为了揭示质瘤中的IME特征.
- 使用机器学习 (ML) 预测不同的质瘤免疫亚型.
- 为质瘤免疫疗法提供指导.
主要方法:
- 在质瘤基因表达数据 (CGGA和TCGA数据库) 上进行无监督的集群分析.
- 开发和验证一种基于ML的免疫亚型的分类模型.
- 功能性丰富分析,免疫细胞分布,干细胞,表型,以及确定亚型的分子/临床特征分析.
主要成果:
- 在两个数据库中都发现了四种质瘤免疫亚型 (IM1-IM4和IMA-IMD).
- 开发了一种可靠的ML模型来预测这些亚型.
- 亚型在免疫细胞透 (例如单细胞系,NK细胞,CD8T细胞),信号通路 (例如IL-8,TNF),干细胞,神经元/介质细胞表型和临床特征 (GBM比例,存活率,IDH突变,1p36/19q13共删除) 上有显著差异.
结论:
- 开发了一种可靠的ML模型来预测质瘤免疫亚型.
- 定义了四种不同的质瘤亚型 (免疫原性,适应性免疫抵抗性,介质细胞,免疫耐受性).
- 这些亚型代表不同的TME和瘤发育阶段,为向免疫治疗提供了洞察力.
