5.7/Q1，101机器学习＋多组学基于程序性细胞死亡解码骨肉瘤预后密码

如果您对骨科疾病生信临床研究感兴趣，请为小骨点点关注，持续解读骨科前沿生信文献和思路。如果您需要定制化服务，欢迎扫码联系小骨~

研究亮点

1. 多组学数据整合：结合单细胞和批量转录组数据，构建大样本量的Meta队列，为全面解析骨肉瘤的分子特征提供基础。

2. 机器学习应用：利用DeepSurv、NMTLR和RSF等先进机器学习算法，开发高精度的肿瘤纯度预测模型，提升预后评估的准确性。

3. 细胞亚型鉴定：通过单细胞RNA测序数据，精准鉴定骨肉瘤细胞亚型及其与预后相关的分子标志物。

4. 无监督聚类分析：揭示骨肉瘤不同亚型在免疫细胞浸润和基因表达上的差异，为精准治疗提供潜在靶点。

5. 多维度验证：结合基因富集分析和免疫组化等技术，验证模型的可靠性和临床应用价值。

下面让我们一起来看看具体文章内容吧！

文章标题：A novel prognostic signature related to programmed cell death in osteosarcoma

中文标题：与骨肉瘤程序性细胞死亡相关的新预后特征

发表期刊：Front Immunol

发表时间：2024年7月

影响因子：5.7/Q1

研究目的

骨肉瘤是青少年中最常见的原发性骨恶性肿瘤，具有高复发率和早期转移的特点。尽管化疗和手术技术的进步显著提高了患者的长期生存率，但目前的预后评估方法仍存在局限性。传统的Cox比例风险模型在处理复杂的非线性关系时存在不足，而机器学习方法，如DeepSurv、NMTLR和RSF等，能够更好地处理高维数据和非线性关系，为骨肉瘤的预后预测提供了新的方向。这些模型不仅提高了预测准确性，还能为个体化治疗提供支持。

研究方法

1.鉴定差异表达基因和预后相关基因

在训练集中，发现246个基因在骨肉瘤样本及其相应的邻近正常组织之间差异表达。其中，145个基因表现出显著的下调，而101个基因表现出显著的上调。热图描绘了40个随机选择的基因的表达模式。火山图显示了上调和下调的基因，其中显著上调的基因包括 UBE2C、MMP13、TREM2、SPP1和MMP9，以及代表性下调的基因包括MAPT、GABARAP、ILK、EEF1A2 和 ATP6V0C。

采用 ConsensusClusterPlus R包来确定无监督聚类的最佳聚类数量，将TARGET-OS 样本分为亚型A和B。通过分析累积分布函数(CDF)变化率曲线上的拐点来确定最佳聚类数。生成热图以显示每个样本的亚型和临床信息。

机器学习算法的集成总共产生了101种可能的组合。最优模型是由RSF算法构建的模型，该模型表现出最高的平均一致性指数和相对较低的一致性指数变异性。该模型的评分系统称为OS-PCDS。RSF算法生成的模型在所有三个GEO 验证集中排名最高，平均C指数为 0.943。在变量选择过程中，RSF 算法识别了所有5 个预后相关基因，即MTM1、MLH1、CLTCL1、 EDIL3 和 SQLE。