免疫チェックポイント阻害剤に対するメラノーマ反応の正確な予測のための注意に基づくmRNAトランスフォーマーネットワーク

科学分野:

• コンピュータ生物学
• 腫瘍学
• 免疫学

背景:

• メラノーマの免疫療法への反応の予測は,効果的な治療法の選択に不可欠です.
• ディープラーニングモデルは 複雑な生物学的データを分析するための 強力な能力を備えています
• mRNA発現を機能データと統合することで,予測の精度を高めることができます.

研究 の 目的:

• メラノーマの免疫チェックポイント阻害剤に対する臨床反応を予測するためのディープラーニングモデル (AMU) の開発と評価.
• mRNA発現プロフィールを用いて確立された機械学習アルゴリズムに対してAMUのパフォーマンスを評価する.
• 治療効果に関連する重要な生物学的経路と遺伝子発現マーカーを特定する.

主な方法:

• メラノーマの免疫療法 (AMU) の注意メカニズムモデルの開発
• メラノーマ患者のサンプルを検証 (前治療) とテスト (後治療) セットを使用してAMUの評価.
• サポートベクトルマシン (SVM),ランダムフォレスト,AdaBoost,XGBoost,およびコンボリューションニューラルネットワーク (CNN) に対する比較分析.
• 重要な生物学的経路と遺伝子発現の相関を特定するためのモデル解釈.

主要な成果:

• AMUは,検証セットで高い性能 (AUC=0. 941,mAP=0. 960) と,テストセットで顕著な性能 (AUC=0. 672,mAP=0. 800) を達成した.
• TNF- TNFRSF1A経路は,メラノーマの免疫療法の有効性にとって重要であると特定されました.
• CD80とCCR3の発現レベルは生存率と治療応答と有意に相関していた.

結論:

• AMUのディープラーニングモデルは,mRNA発現データからメラノーマの免疫療法反応を予測する上で優れた有効性を示しています.
• この研究は,TNF-TNFRSF1A経路と特定の遺伝子発現を治療結果の潜在的なバイオマーカーとして強調しています.
• この研究は,トランスフォーマーアーキテクチャのトランスクリプトミア分析の適用を進めており,精密腫瘍学への洞察を提供します.