通过基于生物路径的变压器模型追踪未知的瘤起源
Jiajing Xie1, Ying Chen2, Shijie Luo1
1National Institute for Data Science in Health and Medicine, Xiamen University, Xiamen, Fujian 361102, China.
Cell reports methods
|June 18, 2024
概括
一种新的深度学习方法,BPformer,通过基因表达数据准确识别癌症的起源. 这一突破有助于通过分析生物途径来诊断未知原发性转移性癌症 (CUP).
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:
- 未知原发性癌症 (CUP) 提出了诊断挑战,主要瘤部位在标准评估后仍然难以捉摸.
- 准确识别主要瘤部位对于有效的患者治疗和管理至关重要.
研究的目的:
- 开发和验证BPformer,一种新的深度学习方法,用于确定转移性癌症的原始组织,特别是CUP.
- 整合变压器模型与生物通路知识,以提高瘤起源预测.
主要方法:
- BPformer是使用来自32种不同癌症类型的10,410种原发性瘤的转录组数据开发的.
- 该方法利用了改造器架构,并增强了先前的生物通路信息.
- 模型的性能在初级瘤和转移性瘤的初级和转移性部位上进行了评估.
主要成果:
- BPformer的准确率很高:主要瘤的准确率为94%,转移性瘤的主要部位的准确率为92%,转移性部位的准确率为89%.
- 该方法在瘤起源识别方面超过了现有的最先进的技术.
- 在回顾性研究中的验证证实了与组织病理学和免疫组织化学诊断的一致性.
- 之前,BP成功地根据其对原产地识别的贡献对生物途径进行了排名,将保存与可变瘤性途径区分开来.
结论:
- BPformer代表了在诊断未知的原发性癌症方面取得的重大进步,提供了高准确性和可靠性.
- 该方法分析生物通路的能力为癌症生物学和潜在的治疗点提供了洞察力.
- 在临床瘤学中,BPformer的表现表明它作为一种有价值的工具,可以提高诊断准确性和患者的治疗结果.
