多组组瘤免疫性得分预测免疫疗法结果和生存率

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 基因组学就是基因组学.
• 文字转录学 (Transcriptomics) 是一个学科.

背景情况:

• 瘤免疫性是预测对免疫疗法的反应的关键,例如免疫检查点抑制剂 (ICI).
• 目前的单个生物标志物 (例如,瘤突变负担,PDL1表达) 对患者生存的预测能力有限.
• 整合多个生物标志物的机器学习模型显示出希望,但往往缺乏可解释性.

研究的目的:

• 开发和验证一种新的多奥米克瘤免疫性得分 (MOTIscore) 来预测ICI反应.
• 评估MOTIscore在不同癌症类型中的通用性.
• 将MOTIscore的性能与现有的生物标志物和机器学习模型进行比较.

主要方法:

• 综合多种免疫性生物标志物 (基因组和转录基因组) 使用加权总和评分方案.
• 在黑色素瘤ICI队列中使用统计分析确定生物标志物重量.
• 与机器学习模型和瘤突变负担在黑色素瘤,胃癌和泛癌数据集中的MOTIscore性能进行了比较.

主要成果:

• MOTIscore的预测性能与机器学习模型相当,并且在黑色素瘤和胃癌中的ICI结果中优于瘤突变负担.
• 高的MOTIs得分与黑色素瘤和胃癌患者的延长整体和无进展生存率有显著的关联.
• 分析揭示了免疫相关途径的丰富性,并确定了C-X-C动机化学激素配体作为成功ICI治疗和改善生存率的关键指标.

结论:

• 与单个原子生物标志物相比,MOTIscore可以更好地预测ICI结果.
• 根据MOTIscore测量,瘤免疫性升高与特定癌症的更好的存活率有关.
• MOTIscore显示了指导个性化ICI治疗策略的潜力,这需要在前性研究中进一步调查.