通过多模式和 -omics机器学习集成 (MOMLIN) 进行药物反应预测:关于乳腺癌临床数据的案例研究

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 癌症固有的异质性导致治疗反应变化.
• 从复杂的多学科数据中确定精确的生物标志物至关重要,但具有挑战性.
• 目前的方法很难有效地整合各种数据类型,以准确预测药物反应.

研究的目的:

• 开发MOMLIN,一个多模式和多omics机器学习集成框架.
• 通过识别可解释的多模式和多omics组件来增强药物反应预测.
• 为了发现个性化癌症治疗的特定环境网络生物标志物.

主要方法:

• 开发了MOMLIN,一个整合稀疏相关性和类特定特征选择算法的框架.
• 将MOMLIN应用于147名乳腺癌患者的数据集,包括临床,突变,基因表达,瘤微环境和分子通路数据.
• 分析了对非响应者和可变响应者的药物反应类预测.

主要成果:

• MOMLIN的平均AUC为0.989,显著超过最先进的方法至少10%.
• 确定已知的个体生物标志物 (例如,基因突变/表达) 和新的多模式,多omics网络生物标志物.
• 发现了响应者 (例如,ER-负-HMCN1-COL5A1突变-FBXO2-CSF3R表达-CD8) 和非响应者 (例如,淋巴结-TP53突变-PON3-ENSG00000261116 lncRNA表达-HLA-E-T细胞排除) 的独特网络生物标志物.

结论:

• 在癌症中,MOMLIN有效地整合了多模式和多omics数据,以优异地预测癌症的药物反应.
• 该框架可以识别与特定药物反应类相关的复杂网络生物标志物.
• MOMLIN有望通过更好地预测药物反应分类和发现特定环境生物标志物的发现,推动精准医学的发展.