
-
生物通官微
陪你抓住生命科技
跳动的脉搏
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
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。
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。
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。
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。
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。
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。
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。
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。