基于细胞焦亡基因构建子宫内膜癌预后模型及敏感药物筛选

摘要

目的 本研究利用机器学习构建子宫内膜癌(UCEC)细胞焦亡相关的预后模型及筛选敏感药物。方法 通过TCGA数据库获取511例UCEC临床样本的基因表达谱，随机将UCEC样本分为训练集和验证集。使用ssGSEA算法计算UCEC患者的细胞焦亡评分，基于该评分将患者分为High-Pyroptosis组和Low-Pyroptosis组。应用limma包识别High-Pyroptosis组和Low-Pyroptosis组中的差异表达基因。应用单因素Cox回归和机器学习-迭代LASSO回归构建UCEC最优细胞焦亡评分相关Signature。最后，使用GDSC数据库基于该Signature筛选了UCEC患者敏感药物。结果 应用机器学习-迭代LASSO回归进行1000次迭代后，获得了一个细胞焦亡分数相关的4-gene Signature。该Signature在验证集中同样具有较高的预测能力，且为UCEC的独立预后因素。并基于UCEC患者的临床特征和4-gene Signature构建了Nomogram供临床医生使用。基于该Signature,我们发现High-Risk组UCEC患者对于AS601245,BMS.509744,Embelin, Etoposide, FTI.277,GSK.650394和MK.2206等药物较为敏感。结论 研究构建了可预测UCEC患者预后的细胞焦亡分数相关Signature基因，并基于该Signature预测了UCEC可能的敏感药物，有助于UCEC患者治疗方案的选择。

关键词

子宫内膜癌 / 细胞焦亡 / 预后模型