基于机器学习的编程细胞死亡特征用于诊断和在扩散大B细胞淋巴瘤中发现候选药物:多队列研究和实验验证验证

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:

• 在扩散性大B细胞淋巴瘤 (DLBCL) 中,化疗失败通常是由于复发和耐药性.
• 编程细胞死亡 (PCD) 在瘤进展和抵抗方面至关重要,作为DLBCL预后和治疗敏感性的潜在生物标志物.

研究的目的:

• 使用编程细胞死亡 (PCD) 模式开发DLBCL强大的预后生物标志物.
• 为高风险DLBCL患者确定新型治疗剂.

主要方法:

• 整合了15个PCD模式和RNA-seq数据从3428个DLBCL患者在八个队列.
• 使用机器学习开发了一种编程细胞死亡评分 (PCDS),并验证了其预后准确性.
• 采用生物信息学分析,CCK-8测定,亡测定和异种移植模型来评估抗瘤活性.

主要成果:

• 一种17基因的PCDS显示出高预后准确性,识别出具有明显较差生存率 (P < 0.001) 的高风险患者.
• 高危DLBCL患者表现出抑制的免疫通路和对标准化疗的敏感性降低.
• 罗和帕特诺利德在体外和体内表现出显著的抗瘤活性,诱导亡并抑制瘤生长.

结论:

• PCDS是预测DLBCL患者化疗后预后的有效工具.
• 罗和帕特诺利德代表着高风险DLBCL患者预后不佳的有前途的治疗候选人.