一个可解释的生存模型,用于扩散大B细胞淋巴瘤患者使用生物信息可见神经网络
Jie Tan1,2, Jiancong Xie1, Jiarong Huang3
1School of Computer Science and Engineering, Sun Yat-sen University, Guangzhou, China.
Computational and structural biotechnology journal
|August 30, 2024
概括
VNNSurv是扩散型大B细胞淋巴瘤 (DLBCL) 的新型生存模型,它使用可见的神经网络来预测患者的结果并识别具有影响力的基因. 这种方法可以提高预后准确性,并有助于理解精准医学中的DLBCL异质性.
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:
- 扩散型大B细胞淋巴瘤 (DLBCL) 是最常见的非霍奇金淋巴瘤 (NHL),以其显著的异质性而闻名.
- 现有的DLBCL预后模型通常依赖于转录组数据,而遗传变异分析在临床上更为普遍.
- 目前DLBCL的亚型化方法可能无法完全捕捉其异质性,因为重点关注高度突变的基因.
研究的目的:
- 为DLBCL患者开发一种新的生存模型,利用生物信息可见神经网络 (VNN).
- 通过整合遗传变异数据来提高DLBCL的预后准确性和遗传亚型.
- 提高DLBCL预后模型的解释性,以确定影响患者结果的关键基因和途径.
主要方法:
- 开发 VNNSurv,这是一个基于可见神经网络 (VNN) 的生存模型,适合DLBCL.
- 使用对HMRN队列和外部TCGA队列的交叉验证来验证VNNSurv性能.
- 识别高影响基因,包括低变异频率的基因,以开发基因基因预后指数 (GPI) 和亚型识别方法.
主要成果:
- 在HMRN队列 (n=928) 中,VNNSurv的平均C指数为0.72,超过了基线方法.
- 该模型在外部TCGA队列 (n=48) 上表现出强的表现,C指数为0.70,使用前30个具有影响力的基因.
- VNNSurv促进了对具有影响力的基因和途径的识别,从而产生基于基因的预后指数 (GPI) 和具有优越预后一致性的亚型.
结论:
- VNNSurv是DLBCL的有价值和可解释的生存模型,提供了改进的预后分层和亚型识别.
- 该模型的可解释性有助于理解DLBCL异质性,并对精密医学有重大影响.
- VNNSurv框架具有适应性,可以扩展到开发其他疾病的预后模型.
