单细胞和机器学习的整合揭示了黑色素瘤分层的铁灭驱动的免疫景观
Lei Wang1,2, Xueying Jin1, Yuchen Wu2
1Department of Oncology, Shaoxing People's Hospital, The First Affiliated Hospital of Shaoxing University, Shaoxing, Zhejiang, China.
Frontiers in immunology
|August 18, 2025
概括
这项研究揭示了黑色素瘤中独特的铁亡-免疫亚型,开发了一个预后签名和名谱,以指导精确的免疫瘤学并改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 铁化是黑色素瘤进展和免疫规避的关键调节者.
- 铁亡,瘤免疫微环境 (TME) 和患者预后之间的相互作用尚未得到充分理解.
- 这项研究解决了在黑色素瘤研究中需要综合的多omics方法的需求.
研究的目的:
- 开发一个多omics框架,整合ferroptosis,免疫透和机器学习,用于黑色素瘤患者分层.
- 在黑色素瘤中识别新的预后特征和治疗点.
- 在黑色素瘤治疗中指导精确的免疫瘤学策略.
主要方法:
- 集成批量和单细胞转录组学数据与机器学习算法.
- 采用共识聚类来定义铁亡-免疫亚型.
- 利用LASSO/逐步考克斯回归和机器学习来开发预后模型.
主要成果:
- 鉴定了三种不同的铁灭菌-免疫亚型,具有差异性的生存率和免疫特征.
- 开发并验证了40个基因的预后签名,预测生存率和化疗敏感性.
- 在免疫抑制性TME中,在纤维细胞-免疫细胞交叉中发现了POSTN-ITGB5信号.
- 为准确的预后预测创建了一个强大的临床名录 (AUC 0.829-0.845).
- 精制了4个基因签名 (CLN6,GMPR,AP1S2,ITGA6) 的CLN6被验证为扩散和迁移的角色.
结论:
- 建立了在黑色素瘤中精确免疫瘤学的预后框架和治疗路线图.
- 对黑色素瘤患者的临床适用性进行跨桥式多omics数据发现.
- 突出了铁亡-免疫相互作用在黑色素瘤发病和治疗中的意义.
