一文get机器学习+生信+临床应用

癌症进展包括分化表型的逐渐丧失和祖细胞样、干细胞样特征的获得。未分化的原发肿瘤更有可能导致癌细胞扩散到远处的器官，导致疾病进展和不良预后，特别是因为转移通常对现有的治疗具有耐药性。自从18年CELL的一篇文章提出干性指数来评估致癌去分化程度，后续衍生了大量相关的高水平研究。去年为大家介绍了一篇基于干性指数的生信分析文章，不知道大家学到多少。可能有的人没有赶上去年的热度，所以，今天为大家介绍一篇全新的干性指数分析文章。文章基于干性指数，利用大量机器学习算法，并且结合了临床样本，为干性指数相关标志物在临床应用中提供了指导。

文章四月份发表在BRIEFINGS IN BIOINFORMATICS（IF: 8.99）。

Machine learning revealed stemness features and a novel stemness-based classification with appealing implications in discriminating the prognosis, immunotherapy and temozolomide responses of 906 glioblastoma patients

机器学习揭示了干性特征和在906个胶质母细胞瘤患者中区分预后，免疫治疗和替莫唑胺反应方面具有吸引力的新的干性分类。

一、 摘要：

胶质母细胞瘤（GBM）是最恶性和致命性颅内肿瘤，治疗选择极为有限。免疫疗法已在GBM中进行了广泛的研究，但是没有一种疗法可以显著延长未经选择的患者的总生存期。考虑到GBM癌症干细胞（CSCs）在肿瘤发生和放化疗耐药中起不可忽略的作用，作者提出了一种基于干性的GBM新分类法，并筛选出对免疫治疗反应更敏感的亚群。通过共识聚类识别到两个GBM亚型，在OS，TMB，TME以及免疫治疗反应都具有显著差异。

二、 材料方法：

PCBC，TCGA-GBM，CGGA，GISTRIC 2.0，PUMCH cohort，COLR， ESTIMATE，ssGSEA， GSVA，TIDE， CMap，LASSO，SVM，RFB，XGBoost，qRT-PCR。

三、 结果：

1.干性指数与临床特征的关联

                                                                   .GBM患者中临床和分子特征与mRNAsi关联

2.干性指数与TIME模式间的关联

.GBM患者中肿瘤微环境模式和免疫基因组特征与mRNAsi关联

3.mRNAsi与GBM患者互斥的OS和PFS结局相关

.高低mRNAsi组生存分析与差异表达分析

.不同临床特征分组mRNAsi预后效能

4.识别具有不同生存结果，功能注释和临床特征的干性亚型

.识别具有不同生存结局和功能注释的两个干性亚型

                                                                       .不同临床特征分组mRNAsi预后效能

5.干性亚型1具有更高的CNA负荷和TMB

.干性亚型1和2的临床病理特征和体细胞突变

6.干性亚型具有不同的TIME和免疫基因组模式，干性亚型1对免疫疗法更敏感，对TMZ具有抵抗力。

.不同的TIME与免疫基因组模式导致了两个干性亚型具有不同的免疫治疗和TMZ反应

7.识别两个干性亚型潜在化合物

.MoA分析揭示了两种亚型不同化合物靶向通路

8.干性亚型预测子的构建和验证，两个独立队列中基于干性分类的应用

0.不同机器学习算法识别重要特征

1.干性亚型预测子构建与识别

2.独立队列TIME刻画与临床特征

总结：

如果去年的思路你没有赶上，现在想再参考去年的思路可能觉得有点老旧了，那么今天的思路相信会为你提供不一样的见解。生信分析加上机器学习算法，结合湿实验验证与真实的临床样本，是非常值得学习的方式。如果你想参考生信分析，今天的文章非常适合你，如果你想探索生信分析的结果如何与临床应用结合，那么今天的思路同样非常适合你。