基于单细胞分析和基于机器学习的集成,在肺腺癌癌中开发出抗原呈现癌症相关纤维细胞的免疫反应特征
Weijiao Xu1, Haitang Yang1, Feng Yao1,2
1Department of Thoracic Surgery, Shanghai Chest Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Journal of thoracic disease
|May 22, 2025
概括
新型巨类癌症相关纤维细胞子集 (apCAFs) 预测肺腺癌中的免疫检查点抑制剂 (ICI) 反应. 机器学习签名识别了高风险的患者,他们的生存率很低,免疫透率降低,指导向治疗.
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:
- 癌症相关纤维细胞 (CAFs) 显著影响瘤免疫微环境和对癌症免疫疗法的反应.
- 虽然在免疫检查点抑制剂 (ICI) 疗法中已知抑制CAF的作用,但促进有利反应的CAF子集,特别是肺腺癌 (LUAD),尚未研究.
- 识别特定的CAF亚群对于理解和改善LUAD中的ICI疗效至关重要.
研究的目的:
- 在肺腺癌 (LUAD) 中识别与免疫检查点抑制剂 (ICI) 反应相关的新型癌症相关纤维细胞 (CAF) 亚群.
- 开发基于已识别的CAF子集的ICI疗效的预测特征.
- 描述与有利的ICI反应相关的CAF的特征.
主要方法:
- 来自LUAD样本的集成批量和单细胞RNA测序数据.
- 采用机器学习驱动的方法来开发免疫反应的签名.
- 分析了包括MHCII类,CD74,CD80,CD86,CD83和CD40在内的关键标志物的表达.
主要成果:
- 发现了一种具有巨类特征的抗原呈现CAFs (apCAFs) 的新型子集.
- 这些巨类apCAFs表达MHCII类,CD74和共刺激分子,与数据集中有利的ICI反应有很强的相关性.
- 一个机器学习衍生签名识别了高风险患者,他们的存活率较低,ICI治疗后免疫透率降低.
结论:
- 巨类apCAFs是LUAD中ICI疗效的关键决定因素.
- 开发的签名为基于ICI反应的LUAD患者分层提供了临床适用工具.
- 这些发现支持针对瘤微环境的治疗策略,特别关注apCAF子集.
