利用转录组学,门德尔随机化和双重机器学习算法来发现因果生物标志物和预后签名的发展,在石墨烯相关的肺腺癌的背景下

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 免疫学 免疫学 免疫学

背景情况:

• 基于石墨烯的疗法为癌症治疗提供了新的方法.
• 长非编码RNAs (lncRNAs) 在瘤发生和治疗反应中起着至关重要的作用.
• 了解瘤微环境中的lncRNA特征对于肺腺癌 (LUAD) 治疗至关重要.

研究的目的:

• 研究在LUAD中与石墨烯治疗相关的lncRNA签名 (GTLncRNASig) 的作用.
• 为GTLncRNASig.开发一个预后风险模型.
• 在LUAD中探索潜在的治疗途径和药物敏感性.

主要方法:

• 对LUAD转录组和TCGA的临床数据的分析.
• 使用考克斯回归和机器学习开发预后风险模型.
• 卡普兰-梅尔生存分析,GO,KEGG,TIDE和门德尔随机化 (MR) 分析.
• 药物敏感性和干细胞指数 (mRNAsi) 的评估.

主要成果:

• 建立了一个35-lncRNA风险模型 (GTLncRNASig),与LUAD预后有显著的关联.
• 这种特征与免疫路径有很强的相关性,包括II型IFN反应和MHC类I.
• 高风险的LUAD亚组显示出与免疫微环境相关的特征;确定了12种潜在的化疗剂.
• 核磁共振分析表明,全身性红斑狼 (SLE) 途径是LUAD风险因素.

结论:

• 已识别的35-lncRNA签名为与石墨烯相关的LUAD治疗提供了预后工具.
• 与免疫相关的过程和SLE途径对于LUAD的发展和进展至关重要.
• 这些发现提供了关于自身免疫性疾病与瘤发生的联系的见解,并指导了免疫治疗的预测.