关于在霍奇金淋巴瘤中使用转录组数据预测治疗反应的挑战
André Patrício1,2, Rafael S Costa3,4, Rui Henriques5
1INESC-ID and Instituto Superior Técnico, Universidade de Lisboa, Lisboa, Portugal. andremppatricio@tecnico.ulisboa.pt.
BMC medical genomics
|July 20, 2023
概括
机器学习模型可以使用基因表达来预测霍奇金淋巴瘤 (HL) 治疗反应. 这种方法可以识别关键基因,并提高耐火病例的预后准确性,帮助临床决策.
科学领域:
- 计算生物学和生物信息学
- 瘤学和血液学 在线
- 机器学习在医学中的应用
背景情况:
- 高达10%的霍奇金淋巴瘤 (HL) 病例对多剂化学疗法耐药,导致结果差.
- 准确预测HL治疗反应对于改善患者的治疗结果和减少治疗毒性至关重要.
- 由于癌症发病率低,使用先进的机器学习 (ML) 和高通量技术预测HL治疗反应的研究有限.
研究的目的:
- 在古典霍奇金淋巴瘤 (cHL) 患者中,开发和评估一种方法来预测在阿德里亚米辛,白胺,温布拉斯和达卡巴辛 (ABVD) 化学疗法两次疗程后的治疗反应.
- 利用基因表达特征和最先进的ML算法来提高预后准确度.
- 探索数据转换技术,如双聚类,以提高基因表达数据的辨别力,用于预测耐火反应.
主要方法:
- 使用NanoString的nCounter平台对古典霍奇金淋巴瘤患者瘤样本的基因表达特征进行分析.
- 应用先进的ML算法,包括维度缩小和超参数优化,以预测对ABVD化疗的耐火反应.
- 实施基于双聚类的数据转换程序,以创建一个更具歧视性的特征空间,代表监管模块.
主要成果:
- 通过整体特征选择识别了一组14个关键基因,非常代表两次ABVD化疗课程后的氧葡萄糖正子发射断层扫描 (FDG-PET) 结果.
- 与参考水平相比,拟议的方法证明了更好的性能,数据转换在预测模型中取得了显著的改进 (例如,决策树的精度和回忆率增加了20个百分点).
- 验证基因表达特征和ML的预测能力,以评估霍奇金淋巴瘤的治疗反应.
结论:
- 复杂的统计和ML原理可以更好地预测霍奇金淋巴瘤的治疗反应.
- 该研究强调了HL预测任务的固有复杂性,强调了进一步技术进步的必要性.
- 在实现这些预测技术在HL管理中的广泛临床应用所需的成熟度方面,仍然存在重大差距.
