机器学习构建了与铁亡相关的特征,用于预测肺癌的预后和药物敏感性

科学领域:

• 在瘤学瘤学.
• 癌症生物学 癌症生物学
• 计算生物学 计算生物学

背景情况:

• 铁,一种新的依赖铁的编程细胞死亡,与瘤的进展和治疗反应有关.
• 铁酶在肺腺癌 (LUAD) 和肺状细胞癌 (LUSC) 中的特定作用尚不清楚.
• 了解铁亡的预后价值对于推进肺癌治疗至关重要.

研究的目的:

• 为了研究与铁亡相关的基因在肺癌中的预后意义.
• 开发一个强大的预测模型,用于肺癌患者的生存率.
• 探索基于铁灭的生物标志物的潜力,以指导临床决策.

主要方法:

• 利用来自GSE4573,TCGA-LUAD和TCGA-LUSC数据集 (1271个样本) 的转录组数据.
• 应用权重基因同表达网络分析 (WGCNA) 以确定关键的铁亡相关标记物.
• 使用101个机器学习算法开发了一个与铁灭相关的签名 (FRS).

主要成果:

• 与TNM和AJCC分期系统相比,FRS在肺癌存活率方面的预测准确度更高.
• 外部验证证实了FRS的稳定性.
• 低风险患者表现出增强的抗瘤免疫力和更高的药物敏感性,而高风险患者表现出侵略性的瘤表型.

结论:

• 铁与相关的签名 (FRS) 是预测肺癌患者生存率的强大工具.
• FRS为个性化治疗策略和治疗决策提供了宝贵的见解.
• 这种生物标志物对管理LUAD和LUSC具有临床意义.