使用机器学习开发和验证乳腺癌的低氧和乳酸代谢预后得分 (HLMPS)

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物医学信息学 生物医学信息学

背景情况:

• 乳腺癌 (BRCA) 微环境中缺氧和乳酸代谢的作用经常被忽视.
• 这项研究的重点是开发BRCA的预后模型,利用缺氧相关基因 (HRG) 和乳酸代谢相关基因 (LMRG).
• 目标是识别分子亚型,以预测患者的预后和治疗反应,进步BRCA的精准医学.

研究的目的:

• 使用机器学习开发和验证乳腺癌 (BRCA) 的新型预后模型.
• 根据缺氧和乳酸代谢基因表达来识别分子亚型.
• 预测患者的预后和治疗反应,以实现个性化医疗策略.

主要方法:

• 利用来自TCGA BRCA队列和五个独立的GEO验证队列的大量RNA测序数据.
• 确定了与缺氧相关的基因 (HRG) 和与乳酸代谢相关的基因 (LMRG).
• 使用机器学习构建了低氧和乳酸代谢预后得分 (HLMPS),通过生存分析,ROC曲线和校准图表进行验证.

主要成果:

• HLMPS模型显示出强大的预后歧视,高风险患者的整体存活率明显较低.
• 高的HLMPS得分与细胞周期和神经发育途径的失调相关.
• 较低的HLMPS得分与激活的免疫通路,更高的免疫细胞透率和更好的免疫疗法反应有关.
• 在HLMPS中发现了不同的药物敏感性:低HLMPS患者对伊林诺坦和palbociclib反应更好,而高HLMPS患者对拉帕蒂尼布和索拉芬尼布反应更好.

结论:

• HLMPS模型是一个新的,临床可行的工具,用于预测BRCA患者的结果和治疗反应.
• 基于瘤微环境 (TME) 特性集成HRG和LMRG为BRCA提供了精准医学的潜力.
• 需要在更大的队列中进一步验证,以确定个性化治疗决策的临床适用性.