基于全面的功能集成和自我注意机制的多任务深度学习模型,用于预测对抗PD1/PD-L1的反应
Ren Wang1, Qiumei Liu1, Wenhua You1
1The Affiliated Wuxi People's Hospital of Nanjing Medical University, Wuxi People's Hospital, Wuxi Medical Center, Department of Immunology, School of Basic Medical Sciences, Nanjing Medical University, Nanjing, China; The Affiliated Huai'an No. 1 People's Hospital, Nanjing Medical University, Huai'an, China; Jiangsu Key Lab of Cancer Biomarkers, Prevention and Treatment, Collaborative Innovation Center for Cancer Personalized Medicine, Nanjing Medical University, Nanjing, China.
在晚期癌症中预测免疫检查点抑制剂 (ICI) 疗效是具有挑战性的. 这项研究开发了一种深度学习模型,集成多维生物标志物来改善预测,在各种癌症类型中显示出有希望的结果.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 生物统计学 生物统计学
背景情况:
- 免疫检查点抑制剂 (ICI) 对于晚期癌症治疗至关重要.
- 由于生物标志物的异质性,很难预测ICI的疗效.
- 需要全面利用生物标志物来更好地预测治疗.
研究的目的:
- 开发一个深度学习模型来预测ICI有效性.
- 整合多维生物标志物以提高预测能力.
- 为应对预测晚期癌症治疗反应的挑战.
主要方法:
- 使用统计和机器学习技术.
- 来自各种来源的综合基因表达数据.
- 采用深度学习模型与自我注意力机制.
- 在单细胞测序,PD-L1,瘤突变负担 (TMB) /不匹配修复 (MMR) 和体质副本数量改变 (SCNA) 水平上进行了特征选择.
主要成果:
- 通过多维分析确定了96个关键特征基因.
- 在胰腺癌数据集上训练了一种多任务深度学习模型.
- 在膀皮质癌 (AUC=0.62-0.66),非小细胞肺癌 (AUC=0.85) 和皮肤皮肤黑色素瘤 (AUC=0.71) 中取得了有前途的预测性表现.
结论:
- 深度学习模型显示了预测ICI治疗结果的潜力.
- 整合多维特征可以提高预测准确性.
- 这种方法为复杂的医疗数据集成提供了一种方法框架.
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
10:18Author Spotlight: Magnetic Fluorescent Bead-Based Dual-Reporter Flow Analysis of PDL1-Vaxx Peptide Vaccine-Induced Antibody Blockade of the PD-1/PD-L1 Interaction
Published on: July 7, 2023
