基于机器学习的巨噬细胞特征模型预测胆管癌预后及免疫治疗获益

研究人员针对胆管癌预后预测难题，通过整合TCGA、GSE89748和GSE91061等多组学数据，采用10种机器学习算法开发巨噬细胞相关特征模型(MRS)。该模型通过Lasso+CoxBoost方法构建，在TCGA数据集中2/3/4年ROC曲线AUC值达0.965-1.000，可独立预测患者生存并评估免疫治疗响应（TIDE/TMB/MATH评分）。研究发现高MRS评分与肿瘤逃逸特征及癌症相关标志通路显著相关，为胆管癌精准诊疗提供新工具。

　　这项突破性研究构建了基于机器学习算法的巨噬细胞特征谱(MRS)，为胆管癌临床管理提供全新决策工具。巨噬细胞作为可塑性极强的免疫效应细胞，其表型转化在肿瘤微环境中发挥双重调控作用。研究团队创新性地采用10种机器学习方法（包括Lasso回归和CoxBoost算法），通过对TCGA、GSE89748和GSE107943数据集进行深度挖掘，最终筛选出最优预测模型。

该MRS模型展现出惊人的预测效能：在TCGA队列中，2年、3年和4年生存率的受试者工作特征曲线(ROC)下面积(AUC)分别达到0.965、0.957和完美的1.000。进一步分析揭示，MRS评分与多种免疫治疗生物标志物存在显著关联——高评分患者呈现更高的肿瘤免疫逃逸评分(TIDE)、突变等位基因肿瘤异质性评分(MATH)，但具有更低的肿瘤突变负荷(TMB)。

分子机制研究表明，MRS高分群体富集了与癌症特征性通路密切相关的基因集，暗示巨噬细胞表型转化可能通过特定信号网络影响胆管癌进展。研究团队还通过IMvigor210和GSE91061免疫治疗队列验证了该模型的临床转化价值。这项成果不仅为胆管癌预后评估提供了可靠工具，更为个体化免疫治疗策略制定开辟了新途径。