空间瘤免疫相互作用的图形神经网络建模识别了非小细胞肺癌中预后细胞

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学

背景情况:

• 瘤微环境 (TME) 中免疫和瘤细胞的空间布局显著影响抗瘤免疫力和患者的生存率.
• 传统的指标,如细胞密度或近距离,无法捕捉复杂的,更高阶的细胞相互作用,这对于理解癌症进展至关重要.
• 由于其高死亡率,非小细胞肺癌 (NSCLC) 迫切需要先进的方法来分析其复杂的TME.

研究的目的:

• 开发和应用一种新的图形神经网络 (GNN) 框架,用于在NSCLC TME中阐明高阶空间模式.
• 用来自大量患者队列的多重免疫光数据建模空间局部化的细胞社区.
• 评估这些空间模式的预后价值,以预测NSCLC患者的存活率.

主要方法:

• 利用基于图形神经网络 (GNN) 的框架来分析来自506名NSCLC患者的多重免疫光数据.
• 在瘤微环境中建模复杂的细胞社区和空间相互作用.
• 在GNN上使用可解释性分析和in-silico操纵实验,以了解细胞类型贡献和空间上下文.

主要成果:

• 该GN框架准确地预测了患者的存活率,一致性指数为0.82,被证明是显著的预后因素.
• 解释性显示,CD8+ T细胞,PD-L1+免疫细胞和FOXP3+调节性T细胞的特定空间安排影响了生存预测.
• 在体实验表明,CD8+ T细胞与瘤的接近是有利的,而与免疫抑制细胞的邻近是不那么有利的.

结论:

• 在TME内空间解析的免疫瘤相互作用对NSCLC具有显著的预后价值.
• GNN 方法为发现复杂的空间生物标志物提供了一个强大的工具.
• 该方法为开发下一代空间生物标志物提供蓝图,以指导NSCLC的精密治疗策略.