将单细胞和批量转录组与机器学习相结合,揭示了dMMR子宫内膜癌中免疫治疗反应的CAF特征
Lu Zhang1,2, Quan Zhang3, Mengjie Yang1,2
1Laboratory of Research and Diagnosis of Gynecological Diseases of Xiamen City, Clinical Medical Research Center for Obstetrics and Gynecology Diseases of Fujian Province, Department of Obstetrics and Gynecology, School of Medicine, The First Affiliated Hospital of Xiamen University, Xiamen University, Xiamen, China.
Discover oncology
|January 14, 2026
概括
来自Wnt相关癌症关联纤维细胞 (CAFs) 的新型风险特征有效预测不匹配修复缺陷子宫内膜癌 (dMMR EC) 的预后和免疫治疗反应. 这种签名为个性化治疗策略提供了对瘤微环境的洞察.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 生物信息学是一种生物信息学.
背景情况:
- 癌症相关纤维细胞 (CAF) 在瘤微环境 (TME) 中至关重要.
- 在不匹配修复缺陷子宫内膜癌 (dMMR EC) 中,CAFs的预后和免疫治疗作用尚不清楚.
- 本研究研究了dMMR EC.中的Wnt相关的CAF.
研究的目的:
- 通过单细胞RNA测序 (scRNA-seq) 在dMMR EC中识别Wnt相关的CAF子集群.
- 开发基于机器学习的风险特征,用于预测dMMR EC.中的临床结果和免疫治疗反应.
- 将CAF集成到名录中,以提高预后评估.
主要方法:
- 对dMMR EC. 的scRNA-seq和大量RNA-seq数据分析.
- 使用Seurat R包识别与Wnt相关的CAF.
- 机器学习算法 (10个算法,101个组合) 用于构建预后基因签名,通过一致性指数 (C-index) 评估.
- 开发一个包含临床病理特征和风险评分的诺姆图.
主要成果:
- 在dMMR EC中发现了6个CAF群,其中5个具有预后意义.
- 使用CoxBoost+Enet模型构建了一个六个基因签名 (HAPLN1,CIT,CDK16,RARRES2,LRRN4CL,LTB).
- 高风险患者的生存率较低;保护性基因与免疫透相关,而风险基因显示负相关性.
- 该名录,包括阶段和年龄,确定了风险得分作为EC的独立预后因素.
结论:
- 通过使用集成机器学习模型,成功开发了Wnt-CAF驱动的风险签名.
- 诺米图,结合风险特征和临床病理特征,准确预测dMMR EC.的预后和免疫治疗反应.
- 这些发现提高了对EC微环境的理解,并指导了个性化治疗策略.
