综合免疫原性和炎症的基于多omics特征的方法增强了在清细胞细胞癌中免疫治疗的益处

科学领域:

• 在瘤学瘤学.
• 免疫治疗是一种免疫疗法.
• 生物信息学是一种生物信息学.

背景情况:

• 免疫检查点阻塞 (ICB) 治疗,包括PD-1/PD-L1抑制剂,改善了清细胞细胞癌 (ccRCC) 患者的生存率.
• 然而,只有少数ccRCC患者受益于当前的ICB策略,这凸显了需要更好的预测生物标志物.

研究的目的:

• 开发和验证一个多omics机器学习 (ML) 模型来预测ccRCC对ICB治疗的反应和生存.
• 在ccRCC中识别与ICB治疗结果相关的关键炎症和免疫特征 (TI).

主要方法:

• 收集和分析了来自1900多名ccRCC患者的RNA-seq和单细胞RNA-seq (scRNA-seq) 数据.
• 开发了一种TI-ML模型,整合了基因组和转录组资料,以预测ICB反应.
• 验证了该模型在1000多名用ICB治疗的ccRCC患者中的预测能力,并将其与单个生物标志物和现有模型进行比较.

主要成果:

• 鉴定了716个与ICB结果显著相关的炎症相关基因,富含淋巴细胞激活通路.
• 与单个生物标志物 (例如PD-L1,TMB) 和现有模型相比,TI-ML模型显示出优异的预测性能 (AUC > 0.997).
• ccRCC患者被分为两种亚型,根据已识别的特征,具有不同的治疗反应和预后.

结论:

• 开发的TI-ML模型有效地预测了CCRCC患者使用多omics炎症和免疫特征的ICB治疗反应和生存率.
• 该模型在多个独立队列中表现出高度的概括能力,为ccRCC中精确的免疫治疗指导提供了一种新的方法.
• 这种方法有可能显著改善患者选择ICB治疗的可能性,从而导致更好的临床结果.