13种程序性细胞死亡模式+70种机器学习预测模型多面出击，轻松斩获一区7.9！

“生信人发文必备的好东西，劲爆来袭！介绍一下馆长团队的服务器：【压箱底】16T存储独享服务器，拼团价来袭！”

各位科研民工，大家好哇！最近的进展还顺利吗？有没有一边奋力追赶实验进度一边苦恼文章从何而来的小伙伴啊！这不馆长马不停蹄地为大家分享挖掘到的宝藏文献，希望能为大家提供灵感，排忧解难。我们知道程序性细胞死亡包含凋亡、坏死、铜死亡、铁死亡和免疫原性死亡等，是当下肿瘤方面的研究热点，而利用单细胞测序和机器学习两大分析手段强强联合开发肿瘤相关标志物轻松拿下7.9分一区文章！这样的高分文章你想要吗？下面就和馆长一起来看看这篇文章吧。

1.本篇文章通过整合13种程序性细胞死亡（PCD）模式，对肺腺癌（LUAD）进行了全面的基因表达分析，这将对理解LUAD中细胞程序性死亡的复杂性提供了新的见解。

2.单细胞测序+机器学习相结合的研究思路，开拓了我们对肿瘤微环境中不同细胞类型之间相互作用的探究，加速了对肿瘤靶向治疗的研究，将为更全面的解释其潜在机制提供理论基础。

苦于没有文章idea的小伙伴们可以借鉴这篇文章的思路，在其他类型的肿瘤细胞中进行复现，轻松拿下高分文章，省时又省力。有需要的小伙伴一定要抓住机会扫码联系馆长哦，我们有专业团队为您提供专属分析服务！

题目：机器学习揭示肺腺癌预后和治疗中的多种细胞死亡模式

杂志：NPJ Precis Oncol

影响因子：IF=7.9

发表时间：2024年2月

研究背景

肺癌被广泛认为是导致癌症相关死亡的主要原因，其中肺腺癌（LUAD）是最常见的组织学类型。尽管诊断技术和治疗方式在不断进步，但患者的预后效果仍然不佳，5年生存率仅为10-20%。并且，由于肺癌的高度异质性和不可避免的耐药性导致只有少数患者对靶向治疗和免疫治疗的方法反应良好。因此，迫切需要研究出一种能够预测靶向和免疫治疗在LUAD中疗效的生物标志物，并进一步探索其潜在的机制，这将为药物设计和临床决策提供潜在靶点和理论基础。

研究思路

本文预测模型的开发和验证是通过整合13种程序性细胞死亡（PCD）模式与来自TCGA-LUAD和6个GEO数据集的整体RNA组、单细胞RNA转录组和相关的临床病理学细节进行的。利用机器学习算法，研究者鉴定了LUAD中10个与PCD相关的关键差异表达基因。随后，基于这些基因构建了程序性细胞死亡指数（PCDI），并将该指数与相关的临床特征进行整合，开发了多种预后列线图。此外，研究还观察了PCDI与LUAD中的免疫特征之间的显著相关性，并探讨了PCDI评分高的患者可能对免疫治疗和标准辅助化疗方案表现出耐药性，以及他们可能从其他FDA支持药物中获益的情况。

主要结果

1. LUAD患者程序性细胞死亡基因的变异景观

对TCGA-LUAD和 GSE116959进行差异表达分析并与PCD相关基因取交集，获得52个具有统计学意义的DEGs（图1a）。图中显示了DEGs的RNA水平和蛋白质-蛋白质的相互作用网络（图1b, 1c）。GO/KEGG富集分析显示，这52个基因主要参与各种致癌相关的途径，如内在凋亡信号、p53信号和癌症的途径等（图1d，e）。基于TCGA数据对这52个基因进行突变景观分析并对Top10突变基因进行展示，其中CDKN2A和TNC表现出最高的突变频率（图1f,g）。

2. 通过机器学习构建LUAD患者的预后基因特征

基于TCGA-LUAD使用LOOCV框架拟合70种类型的预测模型并计算每个模型的C指数，选择C指数最高的两个模型组合（Lasso和RSF+Lasso）筛选基因，得到Top35基因（图2a，b）。将这35个基因与Lasso回归分析确定的基因取交集得到10个基因（图2c-e）。基于这10个基因构建程序性细胞死亡指数（programmed cell death index, PCDI）。依据PCDI公式计算每位患者的PCDI并将患者分为高低风险组，分析两组的生存差异，高PCDI的预后较差（图2f）。

3.PCDI与LUAD患者临床病理特征的相关性

通过分析T分期、N分期、M分期、临床分期、生存状态（存活或死亡）等变量，发现低PCDI组和高PCDI组之间存在显著相关性（图3a-e，l），这与在GSE31210、GSE50081和GSE72094数据集中的结果一致（图4f-h）。利用模型基因，将TCGA中的LUAD患者分为两个不同的组，第2组患者表现出更良好的预后。此外，冲积图和热图的结果表明集群1的大多数患者表现为临床阶段晚期和高PCDI，而集群2的大多数患者表现为早期临床阶段和低PCDI（图3k，l）。

4.在LUAD数据集中验证该预测模型的临床意义

利用计算出的PCDI值，研究者将TCGA-LUAD、GSE31210、GSE50081和GSE72094组的LUAD患者分为PCDIHigh组和PCDI-Low组，结果表明在高PCDI和不良的临床结果之间存在显著相关性（图4a，b）。此外还观察到，通过PCA，可以在所有四个队列中有效地区分PCDI-High组和PCDI-Low组（图4c）。

5.PCDI在免疫治疗中的预测作用

基于LUAD数据集，采用TIDE评分评估免疫治疗和PCDI的关系，表明存在显著的正相关性（图5a，b），表明PCDI升高的患者可能不会从免疫疗法中受益。利用GSE126044和GSE78220数据集，进一步评估PCDI预测LUAD患者对抗PD-L1治疗反应的能力。发现与低PCDI患者相比，高PCDI的患者表现出较差的生存率（图5c，f）。高PCDI组对抗PD-L1有反应的患者百分比明显低于低PCDI组（图5d，g）。非应答者比应答者表现出更高的PCDI（图5e，h）。

文章小结

文章以全球第二大流行的癌症-肺癌为选题，从13种程序性细胞死亡模式入手，通过比较获得最佳机器学习模型并用于构建相关模型，同时利用生信分析和实验验证相结合的方法进行验证，既可以加强结果的可信度，提高结论的准确性，又可以省时省力。如果大家也想在肿瘤研究中有所创新并且获得高分文章，也可以参考本文的研究思路，获得属于自己的高分文章。心动不如行动，勇敢的尝试一下吧！