机器学习和门德尔随机化揭示了瘤免疫细胞概况,用于预测膀癌风险和免疫治疗结果

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:

• 膀癌 (BLCA) 的预后和治疗反应仍然具有挑战性.
• 瘤透免疫细胞 (TIICs) 在癌症进展和免疫逃避中发挥着至关重要的作用.
• 识别可靠的BLCA生物标志物对于个性化医学至关重要.

研究的目的:

• 利用瘤透免疫细胞 (TIIC) 相关基因开发膀癌 (BLCA) 的预测模型.
• 建立一个新的TIIC签名得分,用于预测患者的存活率和免疫治疗反应.
• 调查TIIC签名得分和临床参数之间的相关性.

主要方法:

• 从TCGA和GEO数据库下载和分析RNA表达数据和单细胞RNA测序 (scRNA-seq).
• 计算了组织特异性指数,并开发了一个计算框架,使用三个算法来识别TIIC签名得分.
• 采用单变Cox分析和20个机器学习算法来生成与TIIC相关的预后模型.

主要成果:

• 在TIIC签名得分和生存状态,瘤阶段和TNM分期之间发现了显著的相关性.
• 高得分的BLCA患者表现出更有利的生存结果和对PD-L1免疫治疗的增强反应.
• 开发的TIIC模型在预测BLCA方面表现出卓越的表现,在TIIC得分组中观察到突变频率变化.

结论:

• 一个新的TIIC签名得分成功地构建了BLCA预后和免疫治疗预测.
• 这一分数为预测BLCA患者的整体存活率提供了有价值的指导.
• 该研究强调了TIIC签名作为BLCA个性化治疗策略的生物标志物的潜力.