CCRCC+101 种机器学习算法组合+免疫原性死亡+单细胞

本文主要是介绍CCRCC+101 种机器学习算法组合+免疫原性死亡+单细胞，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

免疫原性细胞死亡相关的多组学鉴定-在3P医学背景下，基于101 -组合机器学习计算框架的透明细胞肾细胞癌的特征

一、研究背景

1、透明细胞肾细胞癌(ccRCC)是一种常见的泌尿系统恶性肿瘤，死亡率极高。缺乏可靠的预后生物标志物破坏了其预测、预防和个性化的有效性

2、免疫原性细胞死亡(ICD)是一种特殊类型的程序性细胞死亡，与抗癌免疫有关。然而，ICD在ccRCC中的作用尚不清楚。

二、数据来源

 GSE156632、TCGA+ E-MTAB-1980+

三、分析方法和结果解读

1、分析流程

2、单细胞数据常规聚类，亚群注释，ssGSEA计算ICD分析，比较不同亚群ICD-score的差异

3、TCGA数据集ssGSEA计算ICD-score，并使用WGCNA的方法筛选关键的module基因集，同时差异分析筛选肿瘤发生相关的基因集，GO和KEGG富集分析筛选关键的功能。结果通过单因素cox分析筛选预后相关单基因集，构建预后相关的互作网络（TCGA+ E-MTAB-1980），查看预后相关的关键基因CNV突变的情况（TCGA）

4、基于10种机器学习的方法构建101种机器学习算法组合构建风险模型，并择优选择c-index最佳的模型，其中在c-index相差不大的时候，基因数量越少越好，这里作者选择了lasso+逐步回归+多因素建模，并绘制KM曲线。

5、模型AUC的验证

6、关键基因表达的热图和临床特征关于风险得分的比较

7、通过单因素cox分析绘制预后相关的森林图，列线图，DCA等

8、风险模型的功能注释，GSE+GSVA，关键功能高低评分的KM曲线

9、突变的比较，（mutant allele  tumor heterogeneity (MATH) score的在高低风险组的比较，已经与预后的关系）

高低风险组突变的瀑布图

高低风险组突变的共线性和互斥分析，CNV突变比例的展示

10、单细胞水平中关键基因表达的tsne图

高低风险组差异基因富集分析（单细胞）

低风险GSEA分析，和配受体分析

11、高低风险免疫浸润的比较（bulk）

TIP预测分析

免疫检查点、TMB和免疫治疗

12、药物预测（pRRophetic+cMAP）

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

本文的亮点：

1、杂糅了101算法建模

2、从单细胞层面出发，在组织水平上进行验证（bulk），建模，最后再通过单细胞验证模型，从免疫浸润讲到免疫治疗，最后预测作用的靶点药物，一点点深入。

这篇关于CCRCC+101 种机器学习算法组合+免疫原性死亡+单细胞的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---