Maschinenlernen-basierte Integration entwickelt ein immunabgeleitetes lncRNA-Signal zur Verbesserung der Ergebnisse bei Dickdarmkrebs

Lange nicht-kodierende RNAs (lncRNAs) sind kürzlich an der Modifikation der Immunologie bei Dickdarmkrebs (CRC) beteiligt. Dennoch bleibt die klinische Bedeutung von immunbezogenen lncRNAs weitgehend unerforscht. In dieser Studie entwickeln wir ein auf Maschinenlernen basierendes integratives Verfahren zur Konstruktion eines Konsens-Signals für immunbezogene lncRNA (IRLS). IRLS ist ein unabhängiger Risikofaktor für das Gesamtüberleben und zeigt eine stabile und leistungsstarke Leistung, hat jedoch nur einen begrenzten prognostischen Wert für das ereignisfreie Überleben. Darüber hinaus weist IRLS eine deutlich überlegene Genauigkeit im Vergleich zu traditionellen klinischen Variablen, molekularen Merkmalen und 109 veröffentlichten Signaturen auf. Zudem ist die Hochrisikogruppe empfindlich gegenüber fluorouracilbasierter adjuvanter Chemotherapie, während die Niedrigrisikogruppe stärker von Bevacizumab profitiert. Bemerkenswerterweise zeigt die Niedrigrisikogruppe eine reichliche Lymphozyteninfiltration, hohe Expression von CD8A und PD-L1 sowie eine Reaktion auf Pembrolizumab. Insgesamt könnte IRLS als robustes und vielversprechendes Instrument dienen, um die klinischen Ergebnisse für individuelle CRC-Patienten zu verbessern.