综合多omics分析和机器学习识别G蛋白结合受体相关的签名,用于软组织肉瘤的诊断和临床益处

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:

• G蛋白结合受体 (GPRs) 在瘤发育和预后中发挥作用.
• 软组织肉瘤 (STS) 中的GPR相关签名 (GPRS) 存在有限的研究.

研究的目的:

• 通过将GPR相关基因与细胞格局集成,开发STS的诊断和预后模型.
• 确定用于STS诊断和治疗的新生物标志物.

主要方法:

• 使用来自TCGA和GEO数据库的单细胞和大量RNA-seq数据选了与GPR相关的基因 (GPR).
• 采用了一种机器学习框架,使用127个组合来构建共识GPRS.
• 开发了一个GPR-TME分类器,将GPR和瘤微环境 (TME) 集成在一起,用于预后预测.

主要成果:

• 确定了151个GPR和一个具有高精度的七基因诊断预测模型.
• 使用7个预后GPR和5个免疫细胞构建了GPR得分和TME得分.
• 发现高GPR表达与不良的STS预后相关;低GPR与高TME显示有利的预后和免疫治疗反应.

结论:

• 开发了一种GPRS,作为STS诊断,预后预测和个性化医学的有前途的工具.
• GPR-TME分类器有助于预测STS患者的患者结果和免疫治疗疗效.