Abstract Background Circular RNAs (circRNAs) have been implicated in the development and progression of gastric cancer (GC). However, it remains unclear whether dysregulated circRNA affects immune escape and the efficacy of immunotherapy in GC. Our aim is to investigate the molecular mechanism of circRNA affecting GC immunotherapy and identify effective molecular therapeutic targets. Methods The differential expression profile of circRNAs was established through circRNA sequencing, comparing three paired GC tissues with their adjacent non-cancerous gastric tissues. The expression level of circRHBDD1 in GC tissues was then assessed using quantitative reverse transcription polymerase chain reaction (qRT-PCR). The biological characteristics of circRHBDD1 were verified through a series of experiments, including agarose gel electrophoresis assays, RNase R treatment, and actinomycin D experiments. The prognostic value of circRHBDD1 in GC was evaluated by conducting both univariate and multivariate survival analyses. Furthermore, loss- and gain-of-function approaches were utilized to investigate the impact of circRHBDD1 on GC immune escape. RNA-sequencing, immunoprecipitation, flow cytometry, and methylated RNA immunoprecipitation (meRIP) analysis were performed to elucidate the underlying molecular mechanisms. Results We discovered that circRHBDD1 exhibited remarkably high expression levels in GC tissues and cell lines. Notably, the high expression of circRHBDD1 was significantly correlated with poor overall survival and disease-free survival among GC patients. Both in vitro and in vivo experiments revealed that circRHBDD1 upregulated the expression of PD-L1 and impeded the infiltration of CD8 + T cells. Further, we found that circRHBDD1 binds to IGF2BP2, disrupting the interaction between E3 ligase TRIM25 and IGF2BP2, and ultimately inhibiting IGF2BP2 ubiquitination and degradation. Intriguingly, IGF2BP2 enhances PD-L1 mRNA stability through m 6 A modification. Additionally, we developed Poly (lactide-co-glycolic acid) (PLGA)-Polyethylene glycol (PEG)-based nanoparticles loaded with circRHBDD1 siRNA. In vivo experiments validated that the combination of PLGA-PEG(si-circRHBDD1) and anti-PD-1 offers a safe and efficacious nano-drug regimen for cancer immunotherapy. Conclusion Our results demonstrated that circRHBDD1 promoted GC immune escape by upregulating the expression of PD-L1 and reprogramming T cell-mediated immune response. Inhibition of circRHBDD1 expression could potentially enhance the response of GC patients to immunotherapy, thus improving treatment outcomes. Additionally, the development of a nanodrug delivery system provides a feasible approach for future clinical applications.

Knowledge tracing (KT) aims to predict students' future performance by tracking their learning behaviors in intelligent tutoring systems (ITS). In KT, three main types of entities are involved: students, exercises, and knowledge concepts. Graph structures provide an effective framework for establishing relationships between different entities. However, existing KT methods have neglected complex connections and implicit relational features, thus facing challenges in capturing high-order information in educational data. To this end, this paper proposes MPSG, a Meta-Path Structured Graph method designed to harness high-order information between entities to pre-train informative exercise embeddings for improving KT. Technically, structured by different meta-paths, four relation graphs are derived to establish implicit cross-entity relationships. On each graph, the surrounding neighbors of each node are then obtained through an intimacy-based sampling strategy. Subsequently, during the representation learning stage, node features under different meta-path views are generated and then aggregated to obtain the final exercise embeddings. The learned embeddings are optimized through three auxiliary tasks, anchored within a self-supervised learning paradigm. Extensive experiments across four public datasets demonstrate that our method can significantly enhance the predictive performance of downstream KT models.