基于机器学习和权重基因同表达网络的生物标志物识别,预测肺腺癌中的免疫概况和耐药性

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 肺腺癌 (LUAD) 的预后不好,复发率高.
• 对于新的预后标志物来指导LUAD治疗决策至关重要.
• 目前的治疗策略需要通过更好的患者分层来改进.

研究的目的:

• 确定肺腺癌 (LUAD) 的新型预后生物标志物.
• 开发一个预测性风险模型来预测LUAD患者的结果.
• 探索已识别的基因在LUAD进展和治疗反应中的作用.

主要方法:

• 权重基因联合表达网络分析 (WGCNA) 以确定与LUAD相关的基因模块.
• 在LUAD和正常样本之间进行基因表达差异分析.
• 逐步回归和LASSO用于风险模型构建和基因选择.
• 诺莫格拉姆验证,药物敏感性分析,免疫透和ANLN的体外实验.

主要成果:

• 使用三个关键基因开发了一个风险模型:ANLN,CASS4和NMUR1.
• 风险模型有效地将LUAD患者分为高风险和低风险组,具有不同的整体生存期 (OS).
• 基因表达与免疫细胞透相关,并且ANLN敲击抑制了LUAD细胞活力,迁移和入侵.

结论:

• 鉴定到的风险模型和基因 (ANLN,CASS4,NMUR1) 显示出潜在的 LUAD 的预后生物标志物.
• 这项研究提供了关于LUAD的免疫微环境和治疗漏洞的见解.
• 在LUAD进展中,ANLN起着重要作用,这表明它是潜在的治疗点.