单细胞测序与机器学习相结合,用于识别质瘤生物标志物和治疗点

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:

• 质瘤表现出显著的异质性,使治疗和预后复杂化.
• 多形质母细胞瘤 (GBM) 的复发是一个重大挑战,需要确定可靠的生物标志物.
• 了解细胞分化及其在质瘤进展中的作用至关重要.

研究的目的:

• 使用单细胞测序数据探索质瘤异质性.
• 通过机器学习识别与多种质母细胞瘤 (GBM) 复发相关的关键生物标志物.
• 调查质瘤预后中无处不在和特定基因的作用.

主要方法:

• 从GEO和TCGA数据库获得的单细胞RNA测序和转录组数据.
• 通过WGCNA,考克斯回归和LASSO分析,使用差异化相关基因 (DRG) 构建了一个预后模型.
• 使用LASSO和SVM-RFE识别了关键基因,分析了免疫透,并进行了功能通路分析. 通过体外测试,通过实验室测试研究了与ubiquitination相关的基因和ETV4的功能.

主要成果:

• 鉴定了三种不同的细胞分化阶段在质瘤,导致一个16基因DRG签名的生存预测.
• 机器学习确定了具有高预测精度 (AUC) 的四个关键基因.
• 发现16个DRG中的13个与ubiquitin相关,这意味着GBM中的ubiquitination. 抑制ETV4可以减少质瘤细胞的扩散和侵入.

结论:

• 基于DRG的预后模型可能有助于预测质瘤患者的预后和免疫治疗反应.
• 与化相关的特征为GBM进展机制提供了洞察力,有可能指导诊断和治疗.
• 通过机器学习识别的四个生物标志物显示出对GBM诊断和治疗策略的希望.