综合的多组学分析和机器学习完善中性粒细胞外细胞陷相关的分子亚型和急性髓性白血病的预后模型

科学领域:

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

背景情况:

• 中性粒细胞外细胞陷 (NETs) 在病理学中至关重要,但在急性髓性白血病 (AML) 中受损.
• 在AML中受损的NET形成可能导致免疫缺陷和增加感染易感性.
• 了解NET在AML中的作用对于改善患者的治疗结果至关重要.

研究的目的:

• 调查NETs在AML病变和预后中的作用.
• 开发基于NET相关签名的AML预后模型.
• 为了确定AML患者改变了NET形成的潜在治疗策略.

主要方法:

• 基因组变异分析 (GSVA) 用于净分数计算.
• 达成共识的聚类来识别分子亚型.
• 权重基因同表达网络分析 (WGCNA) 用于基因和通路的识别.
• 开发和验证使用10个机器学习算法对9个AML队列进行预后模型.

主要成果:

• 确定了两个具有高和低NET分数的分子亚型,与免疫细胞透和免疫检查点基因表达相关.
• 开发了一个强大的风险评分模型,证明了AML患者存活率的显著预后价值.
• 高风险得分的患者表现出更差的预后,化学疗法的折射性,以及对特定药物和抗PD-1疗法的潜在敏感性.

结论:

• 一个来自机器学习的新型NET相关签名,对AML预后显示出希望.
• 这种签名可以为个性化医疗方法提供信息,包括风险分层和治疗选择.
• 对NET向治疗的进一步研究可能会改善AML患者的治疗结果.