多组学评估和机器学习优化了分子分类,预测卵巢癌的预后和免疫治疗反应
Fang Ren1, Xiaoao Pang1, Ning Liu1
1Department of Obstetrics and Gynecology, Shengjing Hospital of China Medical University, Shenyang, Liaoning 110004, China.
Pathology, research and practice
|April 1, 2025
概括
这项研究使用多组学数据确定了两种卵巢癌亚型. 一个共识多组学相关的机器学习签名 (CMMS) 预测了预后和免疫治疗反应,识别了可能从治疗中受益的患者.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 免疫学 免疫学 免疫学
背景情况:
- 卵巢癌 (OC) 具有显著的异质性和侵入性,限制了精确的,个性化的治疗.
- 由于OC的复杂性,目前的OC治疗策略缺乏个性化.
研究的目的:
- 建立OC的综合共识子类型.
- 为OC开发一个强大的共识多经济学相关的机器学习签名 (CMMS).
主要方法:
- 从多中心队列中整合了五个不同的多组数据集.
- 利用10和101集群和机器学习算法进行高分辨率的分子子组识别.
- 开发了一种共识的多经济学相关的机器学习签名 (CMMS).
主要成果:
- 确定了两个具有预后意义的卵巢癌亚型.
- 该CMMS揭示了10个基本基因;高CMMS组的预后较差 ('冷瘤',免疫抑制),低CMMS组的预后更好 ('热瘤',免疫激活).
- 低CMMS组显示瘤突变负担增加,新抗原负担增加,PD-L1表达,M1巨细胞增加,在八个数据集中验证了更好的免疫治疗反应.
结论:
- 检测CMMS对于早期卵巢癌的预后非常有价值.
- CMMS有助于识别免疫治疗的潜在候选人,从而实现个性化的治疗策略.
