【技术实现步骤摘要】
本专利技术属于肾癌生存预后，具体是基于机器学习组合构建细胞死亡-免疫特征的肾癌生存预后模型及小分子药物筛选方法。
技术介绍
1、肾癌是全球发病率最高的恶性肿瘤之一，其发病率和死亡率稳步上升。在所有肾癌病例中，肾细胞癌占据高达90％，而其中透明细胞肾癌(kirc)占70％。kirc的预后通常较为严峻，对于那些接受了手术治疗的患者来说，复发率也高达30％，局部肾细胞癌手术后的辅助治疗一直是一个具有挑战性的研究领域，成功率有限。
2、泌尿系统和生殖系统的恶性肿瘤，包括前列腺癌和膀胱癌，传统上主要通过放射治疗和化学治疗进行干预。然而，kirc由于其对常规化疗药物的抗性而显得与众不同。kirc是高度免疫浸润的癌症之一，对传统的放化疗表现出较低的敏感性，而免疫疗法虽在部分患者中有效，但普适性有限。研究揭示，程序性细胞死亡(pcd)能够通过调节免疫细胞的活性，参与到抗肿瘤免疫反应的调控之中。
3、在tme中，免疫细胞在肿瘤生长、侵袭、迁移和调节抗癌免疫中起着关键作用。在这种情况下，免疫疗法成为其治疗策略中一个至关重要的组成部分。然而免疫疗法以及免疫检查点抑制剂的联合应用，仅在部分患者群体中显现出积极效果。现有研究认为，患者对免疫治疗反应的差异可能与肿瘤的免疫逃逸机制相关，这导致某些患者无法从免疫检查点阻断治疗中获益。因此，深入研究肿瘤免疫逃逸机制对于开发更有效的治疗策略至关重要。
4、pcd是一种有序的细胞自我毁灭过程，它在遗传层面受到精密调控，通过一系列特定的分子机制执行细胞的内部清洁任务，清除那些受损或
5、pcd在维持正常机体活动和人体健康中发挥着非常关键的作用。值得注意的是，pcd在癌症的发展过程中也扮演着重要角色。研究表明pcd可以调节效应免疫细胞或调节性免疫细胞的富集，从而参与调节tme的抗肿瘤免疫。现有研究指出，pcd与kirc免疫治疗反应及耐受性之间存在复杂关联。例如，在kirc中，与铜死亡相关的预后风险模型揭示了高风险组患者对免疫治疗更为敏感。此外，基于五个与免疫原性细胞死亡相关基因构建的预后风险模型，不仅能够映射kirc患者的肿瘤免疫微环境，而且有助于推动个体化治疗的实施，并为免疫治疗提供了潜在的新靶点。这些发现强调了针对pcd的干预策略在kirc免疫治疗中的重要性。尽管如此，目前对于pcd在kirc患者免疫治疗反应性方面的全面研究仍然不足。
技术实现思路
1、本专利技术目的是提供一种基于机器学习组合构建细胞死亡-免疫特征的肾癌生存预后模型及小分子药物筛选方法，通过构建出的细胞死亡-免疫特征的肾癌生存预后模型对kirc患者进行风险评估后，将kirc患者区分为低风险组和高风险组，并用sb505124、carnosol和protac作为免疫治疗剂用于治疗kirc预后高风险组的治疗上，可针对性地为kirc患者提供个性化的治疗方式。
2、为实现上述目的，本专利技术采用了以下的技术方案：
3、一种用于kirc患者的风险评估模型，基于anoikis和ldcd模式的基因表达数据，利用c-index和roc曲线评估模型的预测效能，通过列线图结合临床因素进行风险评估。
4、所述用于kirc患者的风险评估模型的构建方法，包括以下步骤：
5、(1)收集kirc患者的临床病理信息和基因表达数据：收集18种程序性细胞死亡模式及其关键调控基因；从tcga数据库下载了tcga-kirc队列数据以及rna测序数据；从geo数据库收集kirc队列的临床病理信息和微阵列表达分析数据；
6、(2)鉴定kirc的差异基因：使用“edger”包筛选差异表达基因，标准为调整后的p值<0.05和|log2fc|>1；
7、(3)基于机器学习的综合方法构建预后模型：
8、使用多种算法组合和留一法交叉验证在tcga-kirc队列中构建risk score模型，使用gse22541进行交叉验证；计算每个模型的harrell一致性指数c-index，选取平均c-index或测试集c-index＞0.7；进一步通过计算roc曲线下面积，我们评估了pcd在队列中的诊断效能；
9、(4)为验证不同pcd模式作为kirc患者独立预后指标的价值，进行了单变量和多变量cox回归分析；基于tcga-kirc队列和gse22541队列，使用r包“rms”和“replot”绘制预后列线图，依据预后列线图构建所述用于kirc患者的风险评估模型。
10、所述的机器学习算法包括但不限于随机生存森林、弹性网络、lasso、ridge、逐步cox、coxboost、偏最小二乘回归、监督主成分、广义增强回归建模和生存支持向量机。
11、一种用于评估肾透明细胞癌患者免疫治疗反应性的方法，采用权利要求1所述用于kirc患者的风险评估模型或所述用于kirc患者的风险评估模型的构建方法构建出的模型，具体包括以下步骤：
12、(1)收集kirc患者的临床病理信息和基因表达数据；
13、(2)将收集到的临床病理信息和基因表达数据输入到所述用于kirc患者的风险评估模型中，通过所述用于kirc患者的风险评估模型进行打分；
14、(3)根据所述用于kirc患者的风险评估模型的打分结果，评估患者的风险等级。
15、hmox1、pik3cg、tfh、hla-e用于kirc的生物标志物的应用。
16、一种用于kirc患者预后监测的生物标志物组合，包括hmox1、pik3cg、tfh细胞浸润水平和hla-e表达水平。
17、sb505124、carnosol、protac作为免疫治疗剂在制备治疗kirc药物上的应用。
18、一种用于治疗kirc的药物组合，包括：tgf-βi型受体抑制剂、增强hmox1表达的化合物以及特异性降解pik3cg的化合物。
19、本专利技术获得的有益效果是：
20、本专利技术首次对kirc中的18种pcd类型及其相关基因进行了深入探索。构建了一个精准的风险评估模型，识别出与kirc患者预后紧密相关的anoikis和ldcd两种pcd模式，高风险组患者预后不良。免疫细胞分析显示tfh在两种pcd模式中表达上调。免疫检查点分析揭示hla-e在两种模式中表达增强。anoi本文档来自技高网...
【技术保护点】
1.一种用于KIRC患者的风险评估模型，其特征在于，基于Anoikis和LDCD模式的基因表达数据，利用C-index和ROC曲线评估模型的预测效能，通过列线图结合临床因素进行风险评估。
2.权利要求1所述用于KIRC患者的风险评估模型的构建方法，其特征在于，包括以下步骤：
3.根据权利要求2所述用于KIRC患者的风险评估模型的构建方法，其特征在于，所述的机器学习算法包括但不限于随机生存森林、弹性网络、Lasso、Ridge、逐步Cox、CoxBoost、偏最小二乘回归、监督主成分、广义增强回归建模和生存支持向量机。
4.一种用于评估肾透明细胞癌患者免疫治疗反应性的方法，其特征在于，采用权利要求1所述用于KIRC患者的风险评估模型或权利要求2所述用于KIRC患者的风险评估模型的构建方法构建出的模型，具体包括以下步骤：
5.HMOX1、PIK3CG、Tfh、HLA-E用于KIRC的生物标志物的应用。
6.一种用于KIRC患者预后监测的生物标志物组合，其特征在于，包括HMOX1、PIK3CG、Tfh细胞浸润水平和HLA-E表
7.SB505124、Carnosol、PROTAC作为免疫治疗剂在制备治疗KIRC药物上的应用。
8.一种用于治疗KIRC的药物组合，其特征在于，包括：TGF-βI型受体抑制剂、增强HMOX1表达的化合物以及特异性降解PIK3CG的化合物。
...【技术特征摘要】
1.一种用于kirc患者的风险评估模型，其特征在于，基于anoikis和ldcd模式的基因表达数据，利用c-index和roc曲线评估模型的预测效能，通过列线图结合临床因素进行风险评估。
2.权利要求1所述用于kirc患者的风险评估模型的构建方法，其特征在于，包括以下步骤：
3.根据权利要求2所述用于kirc患者的风险评估模型的构建方法，其特征在于，所述的机器学习算法包括但不限于随机生存森林、弹性网络、lasso、ridge、逐步cox、coxboost、偏最小二乘回归、监督主成分、广义增强回归建模和生存支持向量机。
4.一种用于评估肾透明细胞癌患者免疫治疗反应性的方法，其特征在于，采用权利要...
【专利技术属性】
技术研发人员：杨洁，周立权，潘艺，佘武胜，黄福，徐广龙，欧范妍，曾莉雄，梁伟，李在扬，
申请(专利权)人：广西医科大学第二附属医院广西医科大学第二临床医学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。