生物知情图神经网络用于预测瘤突变负担和免疫治疗相关途径分析在胃癌
Chuwei Liu1, Arabella H Wan2, Heng Liang3
1Department of Gastrointestinal Surgery, The First Affiliated Hospital, Sun Yat-Sen University, Guangzhou 510080, China.
Computational and structural biotechnology journal
|October 9, 2023
概括
瘤突变负担 (TMB) 是癌症免疫治疗的关键,但与治疗反应的相关性各不相同. 这项研究介绍了PGLCN,一个图形神经网络,可以改善TMB预测,并识别精确瘤学的新生物标志物.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 瘤突变负担 (TMB) 是预测癌症免疫治疗疗效的关键生物标志物.
- TMB与免疫检查点抑制剂 (ICI) 反应的直接相关性受到瘤复杂性的限制.
- 对TMB的精细解释对于改善癌症治疗的临床结果至关重要.
研究的目的:
- 在33种人类癌症类型中调查TMB和多组数据之间的关系.
- 开发一个生物知情图形神经网络 (PGLCN),以改善TMB预测和患者分层.
- 提高多组数据的可解释性,以确定TMB状态的关键生物驱动因素.
主要方法:
- 综合分析了33种癌症类型的TMB和多种癌症数据.
- 开发和实施路径导向图形学习卷积网络 (PGLCN).
- 验证PGLCN的预测准确性和生物解释性与传统方法相比.
主要成果:
- 在STAD,COAD和UCEC (AUC分别为0.976,0.994和0.947) 中,PGLCN实现了优异的TMB状态预测准确性.
- 该模型的解释性很高,在生物评估指标方面表现优于现有方法.
- PGLCN确定了Toll样受体和DNA修复途径作为胃癌的潜在生物标志物,与TMB结合.
结论:
- PGLCN有效地整合了多omics数据,用于准确的TMB预测和患者分层.
- 该模型的可解释性有助于发现新的生物学见解和潜在的治疗点.
- 研究结果表明,一种协同向策略涉及TMB,Toll-like受体和DNA修复途径,用于增强胃癌免疫治疗.
