解开骨髓瘤中泛光的景观:单细胞测序和机器学习方法,用于预后建模和瘤微环境分析
Xue-Yang Gui1,2, Jun-Fei Wang1, Yi Zhang1
1Department of Orthopedic Surgery, Nanjing Drum Tower Hospital, The Affiliated Hospital of Medical School, Nanjing University, Nanjing, China.
International journal of genomics
|March 28, 2025
概括
这项研究探讨了骨髓瘤 (OS) 中的细胞死亡过程PANoptosis,并开发了一种机器学习模型来预测患者的结果. 该模型有效地对患者进行了分层,有助于为这种侵袭性骨癌制定个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 骨髓瘤 (OS) 是患有预后不佳的儿科骨癌.
- 瘤微环境 (TME) 和细胞死亡途径 (如PANoptosis) 影响OS进展.
- 有限的治疗选择需要新的预后和治疗策略.
研究的目的:
- 通过单细胞RNA测序 (scRNA-seq) 来研究骨髓瘤中的PANoptosis景观.
- 开发和验证基于机器学习的预测模型,用于OS风险分层.
- 探索OS中PANoptosis,TME和突变概况之间的关系.
主要方法:
- 分析了scRNA-seq数据 (GSE162454) 和批量转录组数据 (TARGET, GEO).
- 进行了细胞聚类,PANoptosis基因表达得分和差异表达分析.
- 使用101个机器学习算法来构建和验证预后模型,选择了CoxBoost.
主要成果:
- 在癌症相关的纤维细胞,骨髓状细胞,骨质细胞和骨质细胞中,PANoptosis被显著激活.
- 基于CoxBoost的预后模型准确地将OS患者分为高风险和低风险组.
- 高风险患者的生存率较低,突变频率增加,TME特征明显.
结论:
- 这项研究阐明了OS中的PANoptosis景观,确定了关键的细胞参与者和相互作用.
- 一个经过验证的机器学习模型为操作系统风险分层和个性化处理提供了一个工具.
- 整合scRNA-seq和机器学习有助于更好地理解OS异质性和治疗目标.
