基于机器学习的茎状特征的表征和构建膀癌的茎状亚型分类器

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 癌症干细胞生物学

背景情况:

• 膀癌 (BLCA) 是一种异质性疾病,在预后和治疗预测方面存在挑战.
• 癌症干细胞 (CSCs) 在BLCA发育,进展,转移和治疗耐药性方面至关重要.
• 在BLCA中茎的预后作用和特征需要进一步调查.

研究的目的:

• 在膀癌中识别和表征不同的干部亚型.
• 开发一种分类器,以基于干性来预测预后和治疗反应.
• 调查特定基因,如TNFAIP6在膀癌干细胞和治疗敏感性中的作用.

主要方法:

• 利用了TCGA和GEO膀癌数据集与干性基因集.
• 应用共识聚类来识别干性亚型和计算基于mRNA表达的干性指数 (mRNAsi).
• 使用机器学习 (LASSO,随机森林,物流回归) 和实验方法开发和验证了一个茎度亚型分类器.

主要成果:

• 确定了两种BLCA亚型:亚型1 (较高的mRNAsi,更好的存活率,抗瘤微环境,免疫疗法敏感性) 和亚型2 (较高的动积分,同源重组缺陷,瘤突变负担增加,化疗敏感性).
• 开发了一种六基因干性亚型分类器,在多个数据集中具有强大的预后性能.
• 验证了TNFAIP6作为一种影响化疗反应和PD-L1表达的维持干性基因.

结论:

• 在BLCA中,茎的异质性是显著的,开发的分类器可以帮助分子分类和个性化治疗.
• 在膀癌中,TNFAIP6成为优化化疗和免疫治疗的潜在治疗标.