paper 【doi】10.1186/s12967-025-06918-0；【发表年份】2025年；【期刊】Journal of Translational Medicine；【标题】Machine learning-enhanced discovery of a basement membrane-related gene signature in glioblastoma via single-cell and Spatial transcriptomics。【内容总结】本研究旨在探索基底膜（BM）相关基因在胶质母细胞瘤（GBM）中的预后价值并开发预测模型，通过整合四个GBM队列（共614个样本）并采用差异基因分析、二元分类机器学习（如神经网络、LASSO、支持向量机等14种算法）筛选出86个核心BM基因，进而利用单变量Cox回归和多种机器学习组合（如随机生存森林、LASSO等10种算法）构建了包含FOS、ADM、PLOD3和AEBP1四个基因的BMRGs风险模型，该模型在验证队列中C指数达0.607，能有效区分高风险组（预后差）和低风险组（生存期更优），并发现高风险组与免疫抑制微环境（如M2巨噬细胞浸润增加、CD8+T细胞减少）、免疫治疗耐药性（TIDE评分更高）及对特定化疗药物（如卡铂替康）敏感性相关；单细胞和空间转录组分析进一步揭示高风险肿瘤细胞具有更强的细胞间通讯功能，且FOS可能调控其他基因表达，独立队列验证（17例患者）通过免疫组化和多重免疫荧光证实了基因共定位及模型临床可行性。