消化系统癌症中的T细胞受体动态:用于瘤诊断和分期的多层机器学习方法

科学领域:

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

背景情况:

• T细胞受体 (TCR) 谱系为瘤免疫学提供了洞察力.
• 消化系统癌症 (如结肠直肠癌 (CRC) 和胃癌 (GC)) 的TCR谱的变化仍未得到充分研究.
• 鉴别这些差异对于推进癌症诊断和治疗至关重要.

研究的目的:

• 分析CRC和GC之间的TCR曲目差异.
• 开发机器学习模型来区分癌症类型,转移状态和疾病阶段.
• 利用TCR曲目特征,改善消化系统癌症的临床决策.

主要方法:

• 在143名瘤患者 (96名CRC,47名GC) 中对TCRβ (TRB),三角形 (TRD) 和马 (TRG) 链进行高通量测序.
• 分析TCR曲目特征,包括V-J基因重组,CDR3序列和图案分布.
• 开发多层机器学习模型,使用CDR3序列的基于动机和ProteinBERT衍生的特征.

主要成果:

• 通过CRC,GC,原发性和转移性病变以及疾病阶段观察到组织特异性的TCR谱系差异.
• 鉴定出不同的V-J基因重组模式和特定于癌症类型和癌症阶段的CDR3序列特征.
• 机器学习模型在区分癌症类型 (97.9%),转移状态 (100%) 和预测CRC阶段 (96.9%) 中取得了高准确性.

结论:

• 在消化系统瘤中,TCR谱的变化提供了有价值的诊断信号.
• 免疫谱的特征显示出潜在的作为理解癌症进展的强大工具.
• 这些发现可能会增强临床决策和癌症管理策略.