超-DHGNN:基于meta-learning导向异构图神经网络的CAR-T疗法中CRS相关细胞因子分析方法
Zhenyu Wei1, Chengkui Zhao1,2, Min Zhang1
1Intelligent Systems Science and Engineering College, Harbin Engineering University, Harbin 150001, China.
Briefings in bioinformatics
|March 28, 2024
概括
一种新的计算方法,Meta-DHGNN,在CAR-T治疗期间识别了参与细胞因子释放综合征 (CRS) 的关键细胞因子. 这种方法有助于预测CRS风险,并了解其在癌症治疗中的复杂机制.
科学领域:
- 计算生物学是一种计算生物学.
- 免疫治疗是一种免疫疗法.
- 生物信息学是一种生物信息学.
背景情况:
- 化学抗原受体T细胞 (CAR-T) 免疫疗法是一种有前途的癌症治疗方法,但可能导致细胞因子释放综合征 (CRS),这是一个严重的副作用.
- 目前对CRS相关的细胞因子及其细胞相互作用的理解有限,阻碍了有效的管理.
- 需要强大的计算方法来识别与CRS相关的细胞因子.
研究的目的:
- 开发和验证Meta-DHGNN,一种基于meta-learning的新型定向和异质图形神经网络方法,用于识别CRS相关的细胞因子.
- 为应对数据稀缺性挑战,预测细胞因子参与CRS.
- 为了提高预测与积极的CRS标签相关的细胞因子信息的准确性.
主要方法:
- 超级DHGNN集成定向和异质图算法与超级学习模块进行预训练,以处理有限的数据.
- 定向算法构建了一个现实的邻近矩阵,以捕获潜在的细胞因子关系.
- 一个异质的算法利用元照片和多头注意力来准确预测CRS相关的细胞因子.
主要成果:
- 在实验验证中,Meta-DHGNN表现出了有利的结果.
- 该方法成功地确定了几种可能被忽视的细胞因子,包括IFNG,IFNA1,IFNB1,IFNA13,IFNA2,IFNAR1,IFNAR2,IFNGR1和IFNGR2,在CRS中发挥着关键作用.
- 这项研究探讨了在CAR-T疗法中CRS形成的多方面的机制.
结论:
- 超DHGNN是分析生物定向和异质网络的有效工具.
- 该方法有助于在CAR-T治疗中准确预测CRS风险.
- 鉴定的细胞因子为CRS病原和潜在的治疗点提供了新的见解.
