Integrated single-cell and spatial mapping coupled with machine learning unveils core stemness landscapes and regulatory drivers in triple-negative breast cancer - PubMed
2 months ago
- #Machine learning
- #Triple-negative breast cancer
- #Cancer stem cells
- 整合单细胞RNA测序（scRNA-seq）、空间转录组和大体积转录组数据研究三阴性乳腺癌（TNBC）
- 通过inferCNV和CytoTRACE算法鉴定高干性细胞群
- 构建基于XGBoost的风险预测模型，包含五个核心干性相关基因（CALD1、ANP32B、FIS1、CD82、APLP2）
- 高干性评分组预后更差且免疫逃逸能力增强
- 轨迹分析显示高干性亚群位于分化起始阶段
- 富集分析表明Notch信号通路高度活跃
- 枢纽基因的虚拟敲除抑制了NOTCH1等干性标志物
- 药物敏感性分析发现BI.2536及相关化合物对高风险组有效
- 核心基因可作为TNBC个性化治疗的潜在分子靶点