JCRQ1区 IF3.1乳腺癌 TCGA/GEO 研究机器学习、单细胞、预后模型、免疫浸润

更好阅读体验：JCRQ1区 IF3.1乳腺癌 TCGA/GEO 研究机器学习、单细胞、预后模型、免疫浸润

个人代做，拒绝中介赚差价！没有思路、数据的同学和老板们想做此思路文章可微信直接联系我。可帮忙检索数据和个性化思路设计（找我做分析则设计免费！）

---

一、文章摘要与研究亮点

（一）摘要内容

该研究聚焦乳腺癌代谢重编程与免疫微环境的关联，首次筛选出 602 个糖酵解和脂肪酸代谢（GF）相关基因，结合多中心数据集（如 TCGA、GEO、METABRIC）和 10 种机器学习算法构建了名为 GFSscore 的预后签名。研究证实 GFSscore 是独立预后指标，且稳健性优于其他模型：高 GFSscore（倾向糖酵解）患者因免疫逃逸机制导致免疫抑制，预后较差；低 GFSscore（倾向脂肪酸代谢）患者预后较好。此外，GFSscore 可预测患者对免疫治疗的响应及化疗药物敏感性，实验还发现ACSL5 基因过表达能抑制乳腺癌（BRCA）细胞增殖，为乳腺癌个性化治疗提供新靶点。

（二）研究亮点

• 整合多组学数据（基因组、转录组、蛋白质组）和多中心数据集，通过 10 种机器学习算法构建并验证了 GF 相关预后签名 GFSscore，稳健性显著优于现有模型。

• 揭示 GFSscore 与肿瘤代谢表型的关联：高 GFSscore 对应糖酵解活性增强，低 GFSscore 对应脂肪酸代谢（FAM）活跃，且两者在免疫微环境特征上存在显著差异。

• 首次通过单细胞测序分析阐明 GFSscore 分组间的细胞异质性及细胞间通讯差异，发现 MIF 和 MK 信号通路在高 GFSscore 组中更活跃，促进肿瘤进展与免疫逃逸。

• 实验验证ACSL5 基因为乳腺癌抑制基因，通过抑制 PI3K-AKT 通路磷酸化阻碍癌细胞增殖，同时泛癌分析证实 ACSL5 在多癌种中具有预后价值，为代谢相关靶向治疗提供新方向。

• GFSscore 可有效预测乳腺癌患者对免疫治疗（如 PD-1/CTLA4 抑制剂）的响应及化疗药物敏感性，为临床个性化治疗方案制定提供量化工具。

二、文章信息

• 发表期刊：Computational Biology and Chemistry

• 中文标题：基于机器学习构建糖酵解和脂肪酸代谢相关预后签名，并鉴定 ACSL5 为抑制乳腺癌增殖的新标志物

• 英文标题：A machine learning-based glycolysis and fatty acid metabolism-related prognostic signature is constructed and identified ACSL5 as a novel marker inhibiting the proliferation of breast cancer

• 影响因子：3.1

• 发表日期：2025 年 5 月

三、数据集

索引号	数据类型和样本量	用途
METABRIC	转录组、临床数据	作为训练集，用于构建 GFSscore 预后模型，筛选最优机器学习算法组合
GSE20685	转录组、临床数据	1. 单变量 Cox 回归分析筛选与总生存期（OS）相关的 GF 基因；2. 验证 GFSscore 的预后价值
GSE21653	转录组、临床数据	1. 单变量 Cox 回归分析筛选与 OS 相关的 GF 基因；2. 验证 GFSscore 的预后价值；3. 分析 GFSscore 与乳腺癌分子亚型（如 HER2 富集型、TNBC）的关联
GSE42568	转录组、临床数据	1. 单变量 Cox 回归分析筛选与 OS 相关的 GF 基因；2. 验证 GFSscore 的预后价值；3. 比较 GFSscore 与其他代谢相关预后签名的预测准确性
GSE58812	转录组、临床数据	验证 GFSscore 的预后价值，通过 Kaplan-Meier 分析和 ROC 曲线评估其预测性能
GSE96058	转录组、临床数据	验证 GFSscore 的预后价值，分析 GFSscore 与临床病理特征（如肿瘤分级、分期）的关联
GSE103091	转录组、临床数据	验证 GFSscore 的预后价值，评估其在不同临床亚组中的稳定性