多种机器学习算法构建了与铜死亡基因和氧化应激基因相关的LncRNA特征谱，这些特征谱在卵巢癌的预后和治疗中具有重要的临床意义

《Genes & Genomics》：Multiple machine learning algorithms construct cuproptosis genes and oxidative stress genes-related LncRNAs signature with prognostic and therapeutic relevance in ovarian cancer

COS相关lncRNAs构建的12基因预后模型显著分层卵巢癌患者并预测生存（HR=22.6145，p<0.001），模型AUC达0.974，外部验证有效。高危组呈现更高突变负荷、干扰素/TGF-β免疫通路改变及阿替利宾/帕扎潘尼敏感性差异，RT-qPCR验证11/12基因表达。

　　

摘要

背景

铜死亡（cuproptosis）和氧化应激（COS）是癌症生物学中新兴的调控因子。然而，它们与长链非编码RNA（lncRNAs）以及卵巢癌临床结果的关联仍不明确。

目的

本研究旨在基于与COS相关的lncRNAs构建并验证一个预后标志物，以改善风险分层，并为卵巢癌的治疗策略提供见解。

方法

通过WGCNA和Pearson相关性分析TCGA和GEO的RNA-seq及临床数据，以识别与COS相关的lncRNAs。使用Cox回归筛选预后相关的lncRNAs，并通过多种机器学习算法进行建模。同时进行了免疫特征分析、突变模式研究、药物敏感性评估及实验验证。

结果

建立了一个由12个lncRNAs组成的标志物，该标志物可将患者分为高风险组和低风险组，两组之间的生存差异显著（HR = 22.6145，p < 0.001）。该模型具有很强的预测性能（AUC分别为0.91、0.967和0.974），并在外部数据中得到了验证。高风险患者表现出更高的突变负担、改变的免疫通路（干扰素、TGF-β），以及对阿西替尼（Axitinib）和帕唑帕尼（Pazopanib）等药物的敏感性差异。RT-qPCR技术证实了这12个lncRNAs中有11个的表达模式。

结论

本研究提出了一个稳健的12个lncRNAs标志物，将铜死亡和氧化应激与卵巢癌的预后和治疗反应联系起来，为个性化治疗提供了初步的指导。