机器学习确定了12个与染色体外DNA相关的基因特征,以预测癌症免疫治疗反应

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:

• 异染色体圆形DNA (ecDNA) 与癌症的不良结果和免疫逃生有关.
• 目前的ecDNA检测方法昂贵而复杂,阻碍了癌症免疫治疗研究.

研究的目的:

• 开发一种具有成本效益的计算工具,使用RNA测序数据预测ecDNA的存在.
• 评估开发的工具在癌症免疫治疗中的预测性能和预后价值.

主要方法:

• 结合机器学习算法 (LASSO,RandomForest,RFE) 来创建一个12基因的转录分数 (EC_score).
• 使用来自独立队列的RNA-seq数据和光在位杂交 (FISH) 的验证EC_score.
• 在多种癌症免疫治疗队列中评估EC_score的预后价值.

主要成果:

• EC_score准确预测了ecDNA的存在 (AUC>0.70) 并通过实验验证.
• 高EC_score独立预测免疫治疗中的不良结果.
• 高EC_score与细胞周期激活,减少淋巴细胞透和免疫抑制标志物相关.

结论:

• 12基因EC_score是一个经过验证的基于RNA-seq的工具,用于预测ecDNA.
• EC_score可以帮助分层患者进行癌症免疫治疗,并预测治疗反应.
• 这种方法为研究ecDNA在癌症中的作用提供了一种更容易获得的方法.