机器学习增强的单细胞和空间转录组学发现胶质母细胞瘤基底膜相关基因签名

背景：胶质母细胞瘤（GBM）的复杂侵袭性和异质性阻碍了肿瘤的完全根除。基底膜（BM）的侵袭发生在肿瘤细胞向脑膜扩散和转移之前，增加了疾病复发率，导致患者预后不良。方法：本研究汇总了四个GBM患者队列，通过二分类机器学习（ML）确认BM候选基因。我们描述了它们的特征，并通过ML组合开发了一种新的BM相关基因（BMRGs）风险模型，并与之前的模型进行比较。同时，使用包含CIBERSORT、xCell和ssGSEA的免疫浸润算法分析高风险和低风险组的免疫特征。基于免疫治疗评估工具TIDE和IRnet的评估以及药物敏感性分析，提出了新的免疫治疗和化疗策略。最后，利用单细胞和空间转录组学揭示高BMRGs表达肿瘤细胞的特征，并通过包含17例患者的42个样本的独立队列进行验证。结果：根据ML组合，四个BMRGs为预测模型提供了基础，用于将患者分为高风险和低风险组。观察到风险评分增加与总生存率降低相关。免疫浸润分析显示，高风险组以M2样巨噬细胞浸润增加和CD8 T细胞减少为特征。同时，注意到高风险组的免疫治疗获益评分降低。药物敏感性分析显示，高风险组对五种药物表现出更高的敏感性。此外，单细胞RNA测序（scRNA-seq）分析发现，BMRGs评分高的肿瘤细胞表现出更有效的细胞间通讯。最终观察结果表明，BMRGs在GBM样本中表达增强并显著共定位。结论：本研究阐明了GBM与BM之间的直接分子相关性，建立了BMRGs签名风险模型，并探讨了它们之间的相互联系。研究结果为GBM的临床结果、治疗反应和潜在治疗策略提供了关键见解。