集成基于OS的机器学习分数 (AS分数) 和免疫分数作为预测萨尔科马免疫治疗反应的辅助工具

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 基因组学就是基因组学.

背景情况:

• 血管瘤 (ASs) 是一种具有攻击性的瘤,对全身治疗反应不佳,存活时间短.
• 开发预后模型对于改善患者的治疗结果至关重要.

研究的目的:

• 开发和验证一种与免疫相关的预后模型,即AS分数,用于血管瘤.
• 评估AS得分的预后值及其与瘤免疫微环境的相关性.

主要方法:

• 使用来自25个血管肉瘤样本的基因表达数据开发了一个预后模型.
• 候选基因使用Maxstat和日志等级测试来确定.
• 使用考克斯回归系数计算AS得分,并在TCGA肉瘤队列 (n=253) 中验证.
• 免疫评分是使用ESTIMATE包推断的.

主要成果:

• 四个基因 (IGF1R,MAP2K1,SERPINE1,TCF12) 被选择用于AS得分,将病例分为不同的预后组 (p=0.00012).
• 高的AS分数与较差的结果相关,并与更高的免疫分数值相关 (p=0.025).
• 在TCGA队列中的验证证实了这两种分数的预后价值及其强烈相关性 (p=2.9 × 10^-8).
• 阿斯得分有效地分层了高免疫分数的瘤的结果,确定了一个预后不佳的子组,可能对免疫疗法敏感.

结论:

• 综合的AS评分和免疫评分分类为肉瘤提供了预后相关性.
• 具有高免疫分数和高AS分数的血管瘤可能受益于免疫治疗.
• 这种方法的未来验证是合理的.