今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

通过将单细胞转录组与批量转录组数据结合机器学习方法,发现了DNA错配修复(dMMR)缺陷子宫内膜癌患者对免疫治疗反应的特异性特征(CAF signature)

《Hormones & Cancer》:Integrating single-cell and bulk transcriptomes with machine learning reveals a CAF signature for immunotherapy response in dMMR endometrial cancer

【字体: 大 中 小 】 时间:2026年01月16日 来源:Hormones & Cancer

编辑推荐:

  摘要背景癌症相关成纤维细胞(CAFs)在肿瘤微环境(TME)中起着关键作用,但它们在错配修复缺陷型子宫内膜癌(dMMR EC)的预后和免疫治疗反应中的作用仍不清楚。本研究使用单细胞RNA测序(scRNA-seq)和批量RNA测序来识别与Wnt相关的CAF亚群,并应用多算法机器学习

  

摘要

背景

癌症相关成纤维细胞(CAFs)在肿瘤微环境(TME)中起着关键作用,但它们在错配修复缺陷型子宫内膜癌(dMMR EC)的预后和免疫治疗反应中的作用仍不清楚。本研究使用单细胞RNA测序(scRNA-seq)和批量RNA测序来识别与Wnt相关的CAF亚群,并应用多算法机器学习构建风险特征,以预测临床结果和免疫治疗反应。

方法

我们从公共数据库中获取了dMMR EC的scRNA-seq数据和批量RNA-seq数据。使用Seurat R包来定义与Wnt相关的CAFs。我们通过拷贝数变异(CNV)识别肿瘤细胞和正常细胞,并使用limma包筛选差异表达基因,通过皮尔逊相关性分析确定它们与CAF亚群的相关性。首先使用单变量Cox回归筛选与CAFs相关的预后基因,然后采用包含十种算法和101种组合的机器学习框架,通过一致性指数(C-index)评估以确定最佳基因特征。我们开发了一个结合临床病理特征和风险评分的诺模图模型。我们进行了SNV突变风险分析、免疫景观分析,并验证了对免疫检查点模块的反应。

结果

通过使用scRNA-seq数据,我们在dMMR EC中识别出六个CAF亚群,其中五个与预后相关。我们使用copykat方法区分了9,682个肿瘤细胞和5,476个正常细胞。基因集变异分析(GSVA)显示肿瘤组的肿瘤相关通路得分显著较高,有1,329个上调基因和2,726个下调基因,其中1,319个与预后显著相关。基于最高的C-index和最少的基因数量,选择了CoxBoost + Enet [alpha = 0.6]模型来构建预后特征。识别出六个显著基因:HAPLN1、CIT、CDK16(风险基因)、RARRES2、LRRN4CL和LTB(保护基因)。十个通路与这些基因显著相关,包括细胞周期、焦点粘附和血管平滑肌收缩。Kaplan-Meier分析显示高风险患者的生存率较低。保护基因与免疫浸润呈正相关,而风险基因则呈显著负相关。突变分析发现LTB与非整倍体评分呈正相关,而LRRN4CL与片段数量呈负相关。诺模图模型结合了临床特征(分期、年龄)和风险基因,将风险评分确定为EC的独立预后因素。TimeROC分析突出了诺模图的优越预测性能,生存分析证实了风险评分对免疫检查点模块的反应。

结论

通过系统整合来自10种算法的101个机器学习模型,我们构建了一个由Wnt-CAF驱动的风险特征。将该模型与诺模图中的临床病理特征结合,可以有效预测dMMR EC的预后和潜在的免疫治疗反应。这些发现加深了对EC微环境的理解,并为临床实践中的个性化治疗策略和预后评估提供了有价值的指导。

背景

癌症相关成纤维细胞(CAFs)在肿瘤微环境(TME)中起着关键作用,但它们在错配修复缺陷型子宫内膜癌(dMMR EC)的预后和免疫治疗反应中的作用仍不清楚。本研究使用单细胞RNA测序(scRNA-seq)和批量RNA测序来识别与Wnt相关的CAF亚群,并应用多算法机器学习构建风险特征,以预测临床结果和免疫治疗反应。

方法

我们从公共数据库中获取了dMMR EC的scRNA-seq数据和批量RNA-seq数据。使用Seurat R包来定义与Wnt相关的CAFs。我们通过拷贝数变异(CNV)识别肿瘤细胞和正常细胞,并使用limma包筛选差异表达基因,通过皮尔逊相关性分析确定它们与CAF亚群的相关性。首先使用单变量Cox回归筛选与CAFs相关的预后基因,然后采用包含十种算法和101种组合的机器学习框架,通过一致性指数(C-index)评估以确定最佳基因特征。我们开发了一个结合临床病理特征和风险评分的诺模图模型。我们进行了SNV突变风险分析、免疫景观分析,并验证了对免疫检查点模块的反应。

结果

通过使用scRNA-seq数据,我们在dMMR EC中识别出六个CAF亚群,其中五个与预后相关。我们使用copykat方法区分了9,682个肿瘤细胞和5,476个正常细胞。基因集变异分析(GSVA)显示肿瘤组的肿瘤相关通路得分显著较高,有1,329个上调基因和2,726个下调基因,其中1,319个与预后显著相关。基于最高的C-index和最少的基因数量,选择了CoxBoost + Enet [alpha = 0.6]模型来构建预后特征。识别出六个显著基因:HAPLN1、CIT、CDK16(风险基因)、RARRES2、LRRN4CL和LTB(保护基因)。十个通路与这些基因显著相关,包括细胞周期、焦点粘附和血管平滑肌收缩。Kaplan-Meier分析显示高风险患者的生存率较低。保护基因与免疫浸润呈正相关,而风险基因则呈显著负相关。突变分析发现LTB与非整倍体评分呈正相关,而LRRN4CL与片段数量呈负相关。诺模图模型结合了临床特征(分期、年龄)和风险基因,将风险评分确定为EC的独立预后因素。TimeROC分析突出了诺模图的优越预测性能,生存分析证实了风险评分对免疫检查点模块的反应。

结论

通过系统整合来自10种算法的101个机器学习模型,我们构建了一个由Wnt-CAF驱动的风险特征。将该模型与诺模图中的临床病理特征结合,可以有效预测dMMR EC的预后和潜在的免疫治疗反应。这些发现加深了对EC微环境的理解,并为临床实践中的个性化治疗策略和预后评估提供了有价值的指导。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:制图。异质性Wnt:CAF。cRNA。风险评分模型。

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号