在多发性骨髓瘤中对PANoptosis签名的全面机器学习分析确定了预后和免疫治疗生物标志物

科学领域:

• 免疫学 免疫学 免疫学
• 在瘤学瘤学.
• 遗传学 遗传学 是一个

背景情况:

• 调节细胞死亡途径PANoptosis与癌症的发展和治疗反应有关.
• 在多发性骨髓瘤 (MM) 病原和预后中PANoptosis的具体作用尚不清楚.

研究的目的:

• 调查PANoptosis在MM中的作用,并开发一个预后风险模型.
• 确定与MM预后相关的关键PANoptosis相关基因 (PRG).
• 探索基于预后模型的潜在治疗策略.

主要方法:

• 来自TCGA和GEO数据库的大量转录和临床数据的分析.
• 机器学习算法 (LASSO回归,随机森林) 和单变Cox分析以识别PRG并构建风险模型.
• 在三个外部队列中验证,单细胞转录组学,qPCR,免疫组织化学,CCK-8试验和赖特-吉姆萨染色.

主要成果:

• 建立了一个强大的七基因PANoptosis相关的MM预后模型,具有强大的预测性能.
• 高风险的MM患者显示瘤纯度增加,瘤突变负担增加,免疫透模式明显.
• 高风险患者对特定药物,包括环胺和各种抑制剂,表现出高度敏感.
• 关键的PRG如PARP1,ZBP1,LY96和CASP3在MM血细胞中被丰富,PARP1在MM细胞活力中发挥着关键作用.

结论:

• 开发的基于PANoptosis的预后模型是预测MM预后的宝贵工具.
• 该模型可以指导多发性骨髓瘤患者的个性化治疗策略.
• 了解PANoptosis为MM病原和治疗机会提供了新的见解.