多omics分析和实验揭示了癌症干在卵巢癌中的功能,并建立了一个基于机器学习的模型来预测免疫治疗反应

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 基因组学就是基因组学.

背景情况:

• 癌症的异质性使预测免疫治疗反应变得复杂,需要可靠的生物标志物.
• 癌症干细胞对免疫检查点抑制剂 (ICI) 耐药性的作用尚未完全理解.

研究的目的:

• 确定用于预测卵巢癌免疫治疗反应的生物标志物.
• 开发一种新的癌症干性指数 (CSI) 用于预后和免疫治疗预测.
• 调查小核核糖核蛋白多E (SNRPE) 在卵巢癌中的作用.

主要方法:

• 利用基因组规模的CRISPR查和来自卵巢癌和胰腺癌ICI队列的转录组数据.
• 在多个数据集上使用机器学习开发了一个新的CSI.
• 分析单细胞RNA测序数据,以评估SNRPE在瘤微环境 (TME) 中的作用.

主要成果:

• 确定了一组与癌症干系相关的基因组,与ICI治疗益处有负相关性.
• 在数据集中,CSI准确地预测了预后和免疫治疗反应 (AUC > 0.8),超过了现有的标记.
• 发现的SNRPE放大改造TME,促进免疫逃避,并作为潜在的免疫治疗生物标志物.

结论:

• 确立了癌症干细胞性和免疫治疗反应之间的强烈联系.
• CSI为个性化免疫疗法策略提供了一个有前途的工具.
• 向与茎状性相关的基因可能会在癌症治疗中克服免疫逃避.