机器学习与多omics数据的整合构建了一个强大的预后模型,并确定PTGES3作为肺腺癌癌精度瘤的治疗目标
Lian-Jie Ruan1,2, Kang-Qiang Weng3, Wei-Yu Zhang4
1Department of Pneumology, The Second Affiliated Hospital of Fujian Medical University, Quanzhou, Fujian, China.
Frontiers in immunology
|October 15, 2025
概括
肺腺癌的新风险模型使用28个关键基因对患者进行了分层. 向PTGES3有望抑制瘤生长并改善肺癌治疗策略.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 分子生物学分子生物学
背景情况:
- 肺腺癌是最常见的肺癌亚型.
- 先进阶段的5年生存率很低 (<20%).
- 有必要改善风险分层和治疗指导.
研究的目的:
- 开发肺腺癌的预后风险模型.
- 确定影响患者结果的关键基因和分子通路.
- 研究PTGES3在瘤进展中的作用及其治疗潜力.
主要方法:
- 使用TCGA和GEO的RNA-seq数据.
- 应用了考克斯回归和10个机器学习算法来识别基因.
- 整合单细胞,SCENIC和ATAC-seq数据来分析PTGES3及其监管器.
- 进行了功能测定和异种移植模型,以评估PTGES3的体内和体外效应.
主要成果:
- 确定了28个预后基因,创造了高分数和低分数的患者组.
- 高分数组与晚期临床阶段,血管新生和上皮细胞-介质细胞过渡相关.
- PTGES3 knockdown 抑制了瘤生长,诱导了细胞循环停止,并促进了亡.
- ZBTB7A被确定为PTGES3的关键调节者; LGALS9,P4HB和CD44的相互作用影响瘤微环境.
结论:
- 基于LS分数的分子亚型化可以增强肺腺癌治疗策略.
- PTGES3是肺腺癌的潜在治疗标.
- 对PTGES3及其监管网络的进一步研究可能会产生新的治疗途径.
