IBPGNET:基于神经网络可解释性的肺腺癌复发预测
Zhanyu Xu1, Haibo Liao2, Liuliu Huang1
1Department of Thoracic and Cardiovascular Surgery, The First Affiliated Hospital of Guangxi Medical University, Nanning, Guangxi Zhuang Autonomous Region 530021, China.
一个新的计算框架,即可解释的生物路径图神经网络 (IBPGNET),可以预测肺腺癌 (LUAD) 的复发. 该方法确定PSMC1和PSMD11作为影响复发和治疗敏感性的关键基因.
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:
- 肺腺癌 (LUAD) 是一种流行的肺癌亚型.
- 早期的LUAD患者在手术后面临转移性复发的显著风险 (30-50%).
研究的目的:
- 开发一种新的计算框架,即可解释的生物路径图神经网络 (IBPGNET),用于预测LUAD复发.
- 阐明LUAD进展和复发的基本调节机制.
- 整合多学科数据,以提高癌症研究中的解释性.
主要方法:
- 开发了IBPGNET,一个利用路径层次的图形神经网络模型.
- 综合多种omics数据进行全面分析.
- 通过对现有分类方法进行5倍交叉验证,验证了IBPGNET的性能.
主要成果:
- 与其他分类方法相比,IBPGNET表现优越.
- 确定PSMC1和PSMD11是与LUAD复发显著相关的基因.
- 观察到LUAD细胞与正常细胞中的PSMC1和PSMD11表达升高.
- 镇压PSMC1/PSMD11增强了阿法替尼的敏感性,并减少了LUAD细胞的迁移,入侵和增殖.
- 证明PSMC1/PSMD11可以通过EGFR表达来调节治疗敏感性.
结论:
- IBPGNET是预测LUAD复发并了解其机制的有效工具.
- PSMC1和PSMD11是LUAD复发和治疗点的潜在生物标志物.
- 针对PSMC1和PSMD11,可以为LUAD提供新的治疗策略,可能通过调节EGFR信号.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
相关概念视频
lncRNA - Long Non-coding RNAs
Receiver Operating Characteristic Plot
Cancer Survival Analysis
