基于机器学习的集成开发了缺氧衍生的特征,以改善质瘤的结果

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:

• 质瘤的生长通常与低氧微环境有关,但其临床影响仍未得到充分研究.
• 缺氧会影响瘤微环境中的细胞通信,导致明显的质瘤亚型.
• 已确定的两种与缺氧相关的质瘤亚型 (C1和C2) 呈现出显著的预后和分子变异.

研究的目的:

• 研究质瘤中缺氧的临床影响.
• 为了识别和描述与缺氧相关的质瘤亚型.
• 开发基于低氧相关基因表达的结质瘤强大的预后工具.

主要方法:

• 单细胞RNA测序用于分析缺氧结质瘤中的细胞通信.
• 机器学习算法被用来开发一个11个基因的签名,用于结果预测.
• 通过使用定量实时PCR (RT-qPCR) 在多个队列中验证了11个基因的签名.

主要成果:

• 确定了两种不同的缺氧相关的质瘤亚型 (C1和C2),C2的预后更差,免疫/肌瘤细胞增加,免疫检查点基因表达更高.
• 开发了一个11个基因的签名,准确地区分高风险和低风险的质瘤患者,并预测整体和无复发的生存率.
• 与传统的临床变量,分子特征和100个现有签名相比,开发的风险评分显示出更高的准确性.
• 高风险质瘤与CD163,PD1,HIF1A和PD-L1.1的表达升高有关.

结论:

• 与低氧相关的质瘤分类系统可以帮助治疗决策.
• 这种新型的11基因特征可以作为质瘤患者的可靠预后工具.
• 了解缺氧驱动的瘤异质性对于改善质瘤患者的治疗结果至关重要.