前立腺がんの発見のための生物学的情報に基づく深層ニューラルネットワーク
Haitham A Elmarakeby1,2,3, Justin Hwang4, Rand Arafeh1,2
1Dana-Farber Cancer Institute, Boston, MA, USA.
Nature
|September 23, 2021
まとめ
この研究では,前立腺がんのディープラーニングモデルであるP-NETを導入し,治療抵抗性を予測し,MDM4やFGFR1のような分子駆動因子を特定します. この解釈可能なAIは 侵襲的な前立腺がんの 新しい治療目標の発見に役立ちます
科学分野:
- 腫瘍学
- バイオ情報学
- 機械学習
背景:
- 侵襲的な前立腺がんの 分子特性を特定することは 困難です
- 機械学習の解釈は ガンゲノムの発見と予測に 新たな道を開きます
研究 の 目的:
- 前立腺がんの生物学的情報に基づいた,解釈可能なディープラーニングモデル (P-NET) を開発する.
- 治療に対する耐性によって患者を層分けし,治療の標的となる分子要因を特定する.
主な方法:
- P-NETを開発しました 生物学的情報に基づいたディープラーニングモデルです
- 分子ドライバを評価するために完全なモデル解釈性を利用しました.
- in vitroで検証された結果
主要な成果:
- P-NETは分子データから 前立腺がんの状態を正確に予測し 他のモデルを上回ります
- MDM4とFGFR1を,進行した疾患に関連した重要な分子変異として特定した.
- 確立されたおよび新しい分子候補は,P-NETの解釈性によって明らかにされました.
結論:
- 生物学的に情報化された解釈可能なニューラルネットワークは 前立腺がんの臨床前発見と臨床予測を容易にする.
- P-NETは治療目標の特定と患者の層分化の改善の可能性を示しています.
- このアプローチは他の癌にも適用できます.
