集成的多组学机器学习和介导的门德尔随机化研究分子亚型和预后肺状细胞癌

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 免疫学 免疫学 免疫学

背景情况:

• 肺状细胞癌 (LUSC) 缺乏特定的早期诊断标志物.
• 5'-核酶Ecto (NT5E) 和双特异性酸酶4 (DUSP4) 与癌症免疫逃避,治疗耐药性和扩散有关.
• 确定预后目标对于LUSC的早期诊断和治疗至关重要.

研究的目的:

• 为LUSC.开发一个共识机器学习签名 (CMLS).
• 调查LUSC中NT5E和DUSP4的预后价值.
• 探索免疫微环境,代谢重编程和LUSC预后之间的关系.

主要方法:

• 集成了10个集群和10个机器学习算法,其中包括来自LUSC患者的多omics数据.
• 开发了一个CMLS来识别高分辨率的分子子集.
• 利用介导的门德尔随机化 (MR) 来探索CMLS,免疫细胞和代谢物之间的因果关系.

主要成果:

• 在LUSC中确定了两个不同的分子集群.
• 集群1显示了一个由瘤相关的巨细胞驱动的免疫抑制微环境.
• 集群2表现出一种与改善预后相关的代谢驱动的表型,具有验证的RAS-RAF-MEK-ERK通路参与.

结论:

• 集成的CMLS与多omics提供了一个强大的框架,用于LUSC预后预测.
• 在LUSC中,免疫微环境和代谢重编程之间的阐明因果相互作用.
• 确定了可能受益于免疫治疗的患者子组.