В исследовании представлен новый фреймворк на основе машинного обучения для прогнозирования функциональной зависимости опухолевых путей в плоскоклеточном раке головы и шеи (HNSCC). Авторы разработали девять моделей Elastic Net, обученных на транскриптомных данных 953 клеточных линий GDSC и ответах на препараты, чтобы отличить активацию пути от реальной зависимости опухоли от него. Модель показала среднюю объясненную дисперсию (R2) от 0.17 до 0.48 в кросс-валидации, что позволяет с определенной долей вероятности предсказывать уязвимости опухоли на основе базового молекулярного профиля. Применение модели к когортам TCGA-HNSC (n=565) и GSE65858 (n=256) выявило, что семь из девяти путей были более выражены в опухолях, связанных с ВПЧ. Особое внимание уделено пути p53: у пациентов с диким типом TP53 статус ВПЧ положительно коррелировал с зависимостью от p53, несмотря на экспрессию онкопротеина E6. Исследование подчеркивает, что кодпенденция во многом отражает инфильтрацию CD8+ Т-клетками, что важно для интерпретации результатов. Разработанный инструмент не является прогностическим для выживаемости, но служит для подбора таргетной терапии до начала лечения, позволяя сопоставлять пациентов с препаратами, нацеленными на их специфические молекулярные уязвимости.