在使用101组合机器学习框架和多omics数据的情况下,对子宫内膜癌中与烧灭相关的基因进行评估

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学

背景情况:

• 子宫内膜癌 (EC) 是一种流行的妇科恶性瘤,具有复杂的免疫微环境相互作用.
• 作为一个被编程的细胞死亡途径,热死在EC病原和免疫反应中起着鲜为人知的作用.

研究的目的:

• 构建和验证基于亡相关基因 (PAG) 的子宫内膜癌的预后模型.
• 为了研究皮रोप托斯,免疫透和EC中的治疗反应之间的关系.
• 为了确定EC患者中不同风险群体的潜在药物敏感性.

主要方法:

• 利用机器学习框架与TCGA批量和单细胞RNA测序数据来识别PAG.
• 开发了一种七基因预后模型,并验证了其预测性能 (C指数>0.70).
• 评估了免疫透 (CIBERSORT,TIDE),细胞与细胞之间的通信 (CellChat) 和药物敏感性 (OncoPredict).

主要成果:

• 一个强大的七基因预后模型准确地将EC患者分为高风险和低风险组.
• 在风险组之间观察到不同的免疫透概况和对PD-1封锁的差异性反应.
• 确定了针对特定EC患者亚组有效的潜在治疗剂.

结论:

• 在子宫内膜癌症中,热与临床和免疫学相关.
• 开发的基于PAG的模型为EC提供了强大的预测和治疗潜力.
• 这些发现支持为EC开发以热为指导的精密免疫疗法策略.