通过生物信息学和机器学习,阐明头部和部状细胞癌和扩散大B细胞淋巴瘤之间的分子和免疫相互作用

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习
• 免疫学 免疫学 免疫学

背景情况:

• 头部和部状细胞癌 (HNSCC) 和扩散性大B细胞淋巴瘤 (DLBCL) 是具有高死亡率的侵袭性癌症.
• 爱斯坦-巴尔病毒 (EBV) 与DLBCL和某些HNSCC亚型有关.
• 了解这些癌症之间的分子和免疫相互作用对于识别共享的生物标志物和治疗点至关重要.

研究的目的:

• 阐明HNSCC和DLBCL之间的分子和免疫相互作用.
• 通过生物信息学和机器学习 (ML) 来识别共享的生物标志物和潜在的治疗点.
• 评估已识别的生物标志物的诊断和预后价值.

主要方法:

• 来自TCGA (HNSCC) 和GEO (DLBCL) 数据库的差异基因表达分析 (DEGs).
• 权重基因共同表达网络分析 (WGCNA) 以确定相关模块.
• 蛋白质与蛋白质相互作用 (PPI) 网络,ML算法,生存分析 (Kaplan-Meier) 和ROC曲线分析用于生物标志物查和验证.
• 对突变,免疫透,药物预测和单细胞RNA测序 (scRNA-seq) 数据的分析.

主要成果:

• 在HNSCC和DLBCL数据集之间确定了85个共享基因.
• 查通过PPI分析产生了21个潜在的基因,通过ML改进到16个.
• 四个枢纽基因 (ACACB,MMP8,PAX5,TNFAIP6) 显示出显著的预后价值和高预测能力.
• scRNA-seq揭示了HNSCC组织中的差异性细胞类型丰度和特定基因表达模式.

结论:

• 四个关键基因 (ACACB,MMP8,PAX5,TNFAIP6) 被确定为DLBCL和HNSCC的重要诊断生物标志物.
• 生存分析证实了这些生物标志物的诊断准确性.
• 这些发现支持开发用于HNSCC和DLBCL管理中的临床决策的诊断名录.