腫瘍トランスクリプトミクスからの教師あり治療応答予測のための機械学習フレームワーク：大規模がん横断研究 | JoVE Visualize

科学分野:

腫瘍学
ゲノミクス
バイオインフォマティクス

背景:

精密腫瘍学は、個別化がん治療のためにバイオマーカーを活用しています。
RNAトランスクリプトミクスは、データ制限とモデル不足のために、薬物応答予測には十分に活用されていません。

研究の目的:

治療前のトランスクリプトームデータを使用して、さまざまながん治療に対する患者の応答を予測するための堅牢な機械学習フレームワークを開発すること。
薬物応答予測のための最大のトランスクリプトームデータセットを作成すること。

主な方法:

9つのがん種と6つの第一選択療法にわたる大規模なデータセット（69コホート、3,729人の患者）を収集しました。
薬物標的とバイオマーカーを統合した教師あり機械学習モデルであるEXPRESSO（EXpression-Profile-RESponSe-Optimizer）を開発しました。
EXPRESSOのパフォーマンスを20の公開トランスクリプトームシグネチャと比較評価しました。

主要な成果:

EXPRESSOは、複数の治療法にわたって有意な予測性能（ROC-AUC 0.64–0.73、オッズ比 2.4–4.6）を達成しました。
このモデルは、20の既存のトランスクリプトームシグネチャを上回りました。
堅牢性分析により、一部の治療法ではパフォーマンスがプラトーに達することが示唆され、現在の教師あり学習アプローチの潜在的な限界が示唆されました。

結論:

トランスクリプトームデータは、EXPRESSOのような高度な機械学習で分析すると、がん治療応答を効果的に予測できます。
さらなるデータとメカニズムモデリングにより、個別化腫瘍学のためのトランスクリプトームバイオマーカーの予測力を高める可能性があります。
EXPRESSOは、精密がん治療選択のためのRNAデータの利用における重要な進歩を表しています。