预测不确定性估计阐明了当前NSCLC亚型分类在表示突变异质性的局限性

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 非小细胞肺癌 (NSCLC) 的治疗依赖于亚型,但准确的分类是具有挑战性的.
• 基于组织学的NSCLC亚型有局限性;转录组数据显示了不同的亚型.
• 基因表达数据在临床上并非常规使用,与基因组改变不同.

研究的目的:

• 开发一种神经网络模型,用于使用突变数据进行NSCLC亚型化.
• 整合基因表达数据用于规范化,并改进基于突变的亚型化.
• 为了研究NSCLC亚型中的突变异质.

主要方法:

• 开发了一个神经网络模型,从多种组织类型中学习NSCLC分类.
• 通过基于基因表达的神经网络规范化基于突变的模型.
• 采用集体方法来捕捉预测不确定性并拒绝不确的样本.
• 使用SHAP分析来解释错误分类和识别同时发生的突变.

主要成果:

• 神经网络在基于突变的多样体内捕获了基于表达的多样体的子结构.
• 最初,NSCLC分类的准确性并没有显著改善.
• 通过拒绝不确定的预测来提高性能.
• 在SHAP分析中,发现了表明混合NSCLC亚型的突变,挑战了目前的分类.

结论:

• 目前的NSCLC亚型可能不完全代表潜在的突变异质性.
• 开发的模型可以识别与临床异质性相关的复杂突变模式.
• 这个模型作为基因组数据分析的基础,用于NSCLC的预后和预测任务.