整合机器学习和批量和单细胞RNA测序来破译多种细胞死亡模式,以预测乳腺癌中新辅助化疗的预后

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:

• 乳腺癌 (BRCA) 构成一个重大的全球健康风险,新辅助化疗 (NAC) 是一个关键的治疗方法.
• 对NAC反应的异质性需要可靠的生物标志物和乳腺癌的预后模型.
• 编程细胞死亡 (PCD) 途径在瘤发育和治疗反应中至关重要,但它们在BRCA的NAC中的作用尚不清楚.

研究的目的:

• 探索 19 种编程细胞死亡 (PCD) 模式与乳腺癌 (BRCA) 中新辅助化疗 (NAC) 预后之间的关联.
• 构建和验证基于PCD相关基因 (PRG) 的预后风险模型,用于预测BRCA患者的NAC结果.
• 研究用NAC治疗的BRCA中PRG的临床意义,基因组概况和免疫格局.

主要方法:

• 集成机器学习和生物信息学工具分析了来自七个多中心队列的921名BRCA患者的19个PCD模式.
• 使用20个PCD相关的差异表达基因 (DEG) 构建了一个预后风险模型,并使用117个机器学习算法对其进行了评估.
• 进行了免疫透,突变,药理学和单细胞RNA测序 (scRNA-seq) 分析;通过免疫组织化学 (IHC) 验证了基因表达.

主要成果:

• 基于20个PRG的预后风险模型被开发出来,显示出出色的预测准确性 (C指数=0.772),并通过独立数据集进行验证.
• 该模型显示了与生存预后,临床病理特征,免疫透,瘤微环境 (TME),基因突变和NAC治疗的BRCA中药物敏感性的强烈关联.
• IHC证实,BRCA组织中的关键模型基因 (UGCG,BTG22,TNFRSF21,MYB) 表达与NAC疗效相关,并预测了患者的结果.

结论:

• 开发的基于PRG的预后模型为预测BRCA患者的NAC结果提供了一种新而全面的策略.
• 该模型增强了对NAC疗效机制的理解,并为乳腺癌的个性化治疗策略提供了洞察力.
• 这项研究是首次整合机器学习和scRNA-seq来解码BRCA中NAC预后的细胞死亡机制,从而有可能改善患者的治疗结果.