基于RNA结合蛋白表达特征的机器学习模型预测睾丸癌转移及治疗结局

《Genes & Genomics》：RNA-binding protein expression based machine learning model predicts metastasis and treatment outcome of testicular cancer

为解决睾丸癌转移预测和治疗效果评估难题，研究人员整合TCGA和GTEx数据库的转录组数据，结合GDSC/CTRP药物敏感性分析，通过ANN、RF等机器学习模型构建RBP风险评分系统（含GAPDH、HMGA1等12个基因），揭示其与M2巨噬细胞浸润、PD-L1免疫治疗耐药及顺铂/博来霉素疗效的相关性，为个体化治疗提供新靶点。

　　RNA结合蛋白（RBP）作为转录调控的核心分子，与睾丸癌发生发展密切相关。研究团队从癌症基因组图谱（TCGA）获取150例睾丸肿瘤和6例正常组织的RNA测序数据，联合GTEx数据库中165例正常睾丸组织数据，通过人工神经网络（ANN）、随机森林（RF）等算法筛选出GAPDH、APOBEC3G等12个关键RBP标志物。这些基因富集于生长因子活性、激素受体结合等通路，构建的风险评分模型可精准预测无进展生存期（PFI）、无病生存期（DFI）及转移状态。高评分肿瘤呈现M2型巨噬细胞浸润特征，对PD-L1抑制剂响应较差，但顺铂化疗敏感性显著提升。机器学习模型在预测淋巴结转移（准确率最高达ANN模型）及放化疗疗效方面展现突出优势，为睾丸癌精准诊疗提供全新生物标志物体系。