整合机器学习,生物信息学和实验验证,以确定与头部和部状癌瘤中的瘤免疫微环境相关的新型预后标志物

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:

• 头部和部状细胞癌 (HNSC) 是高度恶性的,与瘤免疫微环境 (TIME) 密切相互作用.
• 在HNSC和TIME中确定治疗目标对于改善患者的治疗结果至关重要.

研究的目的:

• 为了识别与HNSC的TIME相关的关键基因.
• 调查在HNSC.中发现的基因的预后意义和功能作用.

主要方法:

• 在TCGA HNSC数据上使用ESTIMATE算法计算免疫和结构得分.
• 确定了差异表达基因 (DEG) 并应用了四种机器学习算法来确定关键基因.
• 进行了泛癌分析,功能丰富,单细胞分析和体外细胞生长试验.

主要成果:

• 确定了ITM2A,FOXP3,WIPF1和RSPO1作为与TIME相关的关键基因.
• ITM2A在多种癌症中表现出异常表达,并且与 TIME 有关.
• 减少HNSC中的ITM2A表达与预后不佳相关,并与免疫相关的途径有关.
• ITM2A的过度表达抑制了HNSC细胞的生长.

结论:

• ITM2A是HNSC的潜在预后生物标志物,与瘤免疫微环境密切相关.
• ITM2A在免疫细胞透,免疫检查点和免疫治疗反应中发挥作用.
• 针对ITM2A可能为HNSC提供一种新的治疗策略.