目的:采用生物信息学方法评估急性髓性白血病(AML)患者中程序性细胞死亡(PCD)相关基因的预后价值,并从多个角度探索AML的发展和免疫调节治疗的机制。方法:我们的研究从TCGA、GEO和GTEX数据中下载了AML患者的临床数据和转录组测序数据。接着,我们下载了12种PCD模式(细胞凋亡、坏死性凋亡、焦亡、铁死亡、铜死亡、内源性细胞死亡、网状细胞死亡、依赖性细胞死亡、溶酶体依赖性细胞死亡、自噬依赖性细胞死亡、细胞内碱化死亡、氧自由基诱导死亡)的关键调控基因,并将临床数据完整的AML样本随机分为训练集和验证集。利用机器学习算法建立了具有6个基因签名(signature)来量化AML的细胞程序性死亡相关的风险评分(programmed cell death-Riskscore,PCD-RS),并在多个不同的数据库中验证其预测效能。另外,通过无监督聚类分析确定与AML相关的分子亚型,并通过将PCD-RS与Rapamycin配制临床特征相结合来构建列线图。最好,本研究还分析了PCD-RS与免疫检查点基因、肿瘤微环境成分和药物治疗敏感性相关性分析。结果:我们通过机器学习算法成功的构建了一个由6个PCD相关基因的预后模型,并在多个数据集中验证其预测准确度。研究结果显示PCD-RS对AML患者具有良好的预测效果,其曲线下面积(Area Under Curve,AUC)值无论在训练集还是验证集均大于0.70,最高可达到0.86。接着,我们通过无监督聚类分析确定了两种AML相关的分子亚型,它们具有不同的重要生物过程,同时还通过将PCD-RS与临床特征相结合,构建了一个具有高预测性的提名图。另外,我们还分析了PCD-RS与药物治疗敏感性相关性分析,结果显示高风险评分得出AML化疗药物(5-氟尿嘧啶、阿西替尼、顺铂、多西紫杉醇、恩普替尼、表柔比星、米托蒽醌SCH772984、奥拉帕尼、奥沙利铂、雷帕霉素、长春碱和唑来膦酸)均有耐药性。因此,靶向这些基因可能是AML化疗耐药患者的潜在的治疗靶点。最后,human medicine我们通过对整体和单细胞转录组的综合分析,PCD-RS与免疫基因表达和肿瘤微环境成分相关。结论:本研究分析得出了AML患者的PCD相关预后特征的风险预测,并通过综合分析了PCD模式的相关基因,同时构建了模型,该模型可以提示AML患者预后和药物治疗的敏感性。