A SARS-CoV-2 related signature that explores the tumor microenvironment and predicts immunotherapy response in esophageal squamous cell cancer
Notice bibliographique
Résumé
BACKGROUND: The existing therapeutic approaches for combating tumors are insufficient in completely eradicating malignancy, as cancer facilitates tumor relapse and develops resistance to treatment interventions. The potential mechanistic connection between SARS-CoV-2 and ESCC has received limited attention. Therefore, our objective was to investigate the characteristics of SARS-CoV-2-related-genes (SCRGs) in esophageal squamous cancer (ESCC). METHODS: Raw data were obtained from the TCGA and GEO databases. Clustering of SCRGs from the scRNA-seq data was conducted using the Seurat R package. A risk signature was then generated using Lasso regression, incorporating prognostic genes related to SCRGs. Subsequently, a nomogram model was developed based on the clinicopathological characteristics and the risk signature. RESULTS: Eight clusters of SCRGs were identified in ESCC utilizing scRNA-seq data, of which three exhibited prognostic implications. A risk signature was then made up with bulk RNA-seq, which displayed substantial correlations with immune infiltration. The novel signature was verified to have excellent prognostic efficacy. CONCLUSION: The utilization of risk signatures based on SCRGs can efficiently forecast the prognosis of ESCC. A thorough characterization of the SCRGs signature in ESCC could facilitate the interpretation of ESCC's response to immunotherapy and offer innovative approaches to cancer therapy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».