相关实验视频
Updated: Sep 14, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.1K
使用生物信息学和验证数据在急性髓性白血病中构建一个瘤免疫微环境驱动的预后模型
Amir Abbas Navidinia1, Ali Keshavarz1, Bentol Hoda Kuhestani Dehaghi1
1Department of Hematology and Blood Banking, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Scientific reports
|July 18, 2025
概括
这项研究开发了一种针对急性髓性白血病 (AML) 的免疫预后模型,使用中心差异表达基因 (Hub-DEGs). 该模型通过分析瘤免疫微环境 (TIME) 来完善风险分层,并确定潜在的治疗点.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 生物信息学是一种生物信息学.
背景情况:
- 瘤免疫微环境 (TIME) 显著影响急性髓性白血病 (AML) 的预后.
- 准确的风险分层和治疗目标的识别对于改善AML患者的治疗结果至关重要.
- 现有的预后模型可能无法完全捕捉免疫细胞透和功能在时间内的复杂性.
研究的目的:
- 根据与免疫相关的枢纽差异表达基因 (枢纽DEGs) 开发AML的预后模型.
- 通过分析时间来完善风险分层并确定潜在的治疗点.
- 为了验证模型的预测准确性和AML患者的临床实用性.
主要方法:
- 分析了TCGA-AML和GEO-AML队列的转录和临床数据.
- 使用ESTIMATE和xCell算法推断免疫分数.
- 通过网络和生存分析确定了差异表达基因 (DEG),枢纽DEG和预后基因.
- 建立并验证了一种免疫预后模型 (IPM),并对免疫细胞子集进行相关性分析.
主要成果:
- 总共有680个与免疫相关的DEG被确定,在免疫反应途径中得到丰富.
- 四个关键基因 (CD163,IL10,MRC1,FCGR2B) 被选择用于IPM.
- IPM有效地将AML患者分为高风险和低风险组,具有显著不同的整体存活率 (p=0.00072).
- 高风险得分与免疫抑制性免疫细胞子集相关,例如Tregs和M2巨细胞.
结论:
- 开发的以时间为中心的预后模型证明了AML风险分层的临床实用性.
- 该模型有助于在AML的免疫环境中识别潜在的治疗点.
- 进一步的前性验证是有必要的,以提高这个预后模型的翻译适用性.
