机器学习引导的单细胞多组学揭示了NSCLC中GDF15驱动的免疫抑制:克服抗PD-1耐药性的转化框架

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:

• 免疫检查点封锁 (ICB) 已经彻底改变了非小细胞肺癌 (NSCLC) 治疗.
• 对ICB的持续性临床反应有限,需要预测性生物标志物.
• 确定ICB疗效的决定因素对于改善患者的治疗结果至关重要.

研究的目的:

• 系统地识别预测ICB在NSCLC中的疗效的生物标志物,使用多组学和机器学习.
• 研究已识别的生物标志物在调节瘤微环境和免疫治疗反应中的作用.
• 建立一个翻译框架,将计算预测与机械洞察联系起来.

主要方法:

• 集成的多组学分析 (包括单细胞RNA测序) 和机器学习算法.
• 开发并验证了一种加速斜边随机生存森林模型,以提高预测准确度.
• 在易斯肺癌模型中进行了GDF15-knockdown和deletion的功能研究.

主要成果:

• 开发的生存模型在NSCLC队列中表现出高预测准确度.
• 与ICB耐药性相关的高风险瘤表达成长差异化因子15 (GDF15).
• 在体内,GDF15的删除显著提高了PD-1抑制剂的有效性和CD8+T细胞的透.

结论:

• GDF15是预测NSCLC中ICB耐药性的第一级生物标志物.
• GDF15调节免疫抑制性瘤微环境和瘤增殖.
• 这些发现为改进NSCLC免疫疗法策略提供了翻译框架.