通过机器学习增强的发现,通过单细胞和空间转录组学在质母细胞瘤中发现了基底膜相关的基因特征

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 多形质母细胞瘤 (GBM) 表现出复杂的侵入性和异质性,阻碍了瘤的完全根除.
• 底层膜 (BM) 侵袭先于脑膜扩散和转移,增加GBM复发和患者预后不佳.

研究的目的:

• 识别和验证与质母细胞瘤相关的基底膜相关基因 (BMRGs).
• 开发一种新的BMRGs风险模型,用于预测患者的结果和指导治疗策略.
• 分析与BMRGs风险模型相关的免疫微环境和药物敏感性.

主要方法:

• 在四个GBM患者队伍中利用二进制分类机器学习 (ML) 来识别BMRGs.
• 使用ML组合开发并比较了一种新的BMRGs风险模型.
• 进行了免疫透分析 (CIBERSORT,xCell,ssGSEA),免疫治疗评估 (TIDE,IRnet) 和药物敏感性分析.
• 采用单细胞和空间转录组学来研究BMRG的表达特性,在独立的队列中得到验证.

主要成果:

• 建立了一个四基因BMRG特征风险模型,将患者分为高风险和低风险组.
• 较高的风险得分与降低的整体存活率,增加的M2型巨细胞透,降低的CD8 T细胞和较低的免疫疗法益处相关.
• 高风险的GBM患者对五种药物表现出敏感性,并且在高BMRGs表达的瘤细胞中增强了细胞间通信.

结论:

• 建立了GBM和BM之间的直接分子联系,创建了一个BMRGs特征风险模型.
• BMRGs模型提供了对临床结果,治疗反应和GBM潜在治疗策略的见解.
• 这些发现强调了BMRG在GBM进展中的重要性,并提出了新的治疗途径.