通过整合机器学习来开发低氧和乳酸代谢相关的分子亚型以及清细胞细胞癌的预后特征

科学领域:

• 在瘤学瘤学.
• 分子生物学分子生物学
• 生物信息学是一种生物信息学.

背景情况:

• 清细胞细胞癌 (ccRCC) 的微环境以低氧和乳酸生产为特征,但其全部影响尚不清楚.
• 与低氧相关的基因 (HRG) 和与乳酸代谢相关的基因 (LMRG) 在ccRCC进展和治疗反应中起着至关重要的作用.
• 了解缺氧和乳酸代谢之间的相互作用对于开发新的治疗策略至关重要.

研究的目的:

• 开发基于HRG和LMRG的ccRCC的新型分子亚型和预后特征.
• 为ccRCC患者的生存率,免疫微环境状态和治疗响应度创建一个预测工具.
• 为了确定ccRCC的潜在治疗目标和个性化治疗策略.

主要方法:

• 利用TCGA和GEO数据库分析了来自ccRCC患者的RNA测序数据和临床信息.
• 通过整合10个机器学习算法和101个框架来构建一个预测模型,重点关注HRG和LMRG.
• 模型验证包括预后名录,ROC曲线和临床数据集验证. 风险亚组被评估为功能丰富,瘤突变负担,免疫细胞透和免疫检查点表达.

主要成果:

• 确定了85个与缺氧和乳酸代谢相关的预后基因.
• 高风险ccRCC亚组 (高HLMRGS得分) 显示免疫活性增加,而低风险亚组与代谢和瘤相关途径有关.
• 在高风险和低风险组之间观察到瘤微环境细胞功能的显著差异,针对特定子组确定了潜在的药物.

结论:

• 为ccRCC开发了一种新的预后特征,将低氧和乳酸代谢结合起来.
• 这种签名是预测ccRCC预后和指导免疫治疗的有效工具.
• 这些发现支持基于缺氧和乳酸代谢概况的ccRCC治疗中个性化医疗方法的潜力.