基于胰腺癌中脂相关基因特征的机器学习驱动的预后模型:开发和验证

科学领域:

• 在瘤学瘤学.
• 分子生物学分子生物学
• 生物信息学是一种生物信息学.

背景情况:

• 由于早期诊断和治疗选择有限,胰腺癌的预后不佳.
• 脊柱脂质在瘤发生中发挥作用,特定的脊柱脂质相关基因会影响患者的生存.
• 鉴定预后性葡萄糖脂 (GSL) 相关基因对于改善胰腺癌结果至关重要.

研究的目的:

• 在胰腺癌中识别预后性GSL相关基因.
• 构建一个用于增强生存预测的预测模型.
• 为胰腺癌患者指导个性化治疗策略.

主要方法:

• 利用癌症基因组图集 (TCGA) 和基因表达总汇 (GEO) 数据库用于培训和验证数据集.
• 采用考克斯单变回归来识别预后性脂相关基因.
• 应用了100多个机器学习算法来构建胰腺管道腺癌 (PDAC) 的最佳生存预测模型.

主要成果:

• 使用三个与GLS相关的基因 (MET,GBA2,DEFB1) 开发了一个强大的预后模型,其高一致性指数 (C指数) 为0.854 (TCGA) 和0.652 (GEO).
• 高风险患者在瘤和免疫相关途径中表现出丰富,突变负载增加.
• 风险评分与免疫抑制和减少免疫细胞透相关,突出显示了质脂在瘤微环境中的作用.

结论:

• 一个基于脂的预后模型准确地预测胰腺癌的生存率.
• 脂体可能通过创造一种免疫抑制的微环境来促进瘤的进展.
• 该模型有可能改善预后预测,并指导个性化胰腺癌治疗.