对30种细胞死亡模式的综合机器学习分析确定了质瘤中一种新的预后特征

科学领域:

• 神经瘤学神经瘤学
• 癌症免疫学 癌症免疫学
• 基因组学和转录基因组学

背景情况:

• 质瘤异质性和治疗耐药性与编程细胞死亡 (PCD) 失调有关.
• 了解PCD通路的综合网络及其在质瘤中的临床影响至关重要.
• 这项研究研究了30种PCD模式,免疫微环境之间的相互作用,并开发了结质瘤治疗的预后特征.

研究的目的:

• 解读多种编程细胞死亡 (PCD) 模式和质瘤免疫微环境之间的复杂相互作用.
• 为分层质瘤患者和指导治疗策略开发一个强大的预后签名 (细胞死亡得分,CDS).
• 通过多组学分析,探索基质瘤进展和治疗耐药性的基础分子机制.

主要方法:

• 综合分析了来自TCGA,CGGA和GEO数据库的2,743个质瘤样本,包括RNA序列,单细胞和突变数据.
• 策划了30个PCD相关的基因组,确定了428个差异表达基因 (DEG),并使用机器学习构建了25个基因的细胞死亡分数 (CDS).
• 评估免疫细胞透和功能,预测药物敏感性,并使用细胞系,患者组织和空间转录学验证了关键基因表达.

主要成果:

• 确定了428种与细胞死亡相关的DEGs,富含神经活性联体受体相互作用和ECM调节,揭示了不同的免疫激活和免疫沉默的质瘤亚型.
• 25基因的CDS表现出强大的预后性能,有效地分层高风险患者,并与瘤突变负担和免疫检查点表达相关.
• 高CDS患者对11种治疗药物,包括凝胺,表现出增强的敏感性;空间转录组学证实了关键基因的瘤特异性过度表达.

结论:

• 该CDS签名阐明了质瘤细胞死亡异质性,免疫失调和治疗耐药性之间的分子联系.
• 这种生物标志物系统为质瘤的精密瘤学提供了预后和治疗见解.
• 这些发现为个性化组合疗法和改善质瘤管理铺平了道路.