结合临床和分子数据,为急性髓性白血病提供个性化治疗:一种机器学习方法
Nestoras Karathanasis1, Panayiota L Papasavva2, Anastasis Oulas1
1Bioinformatics Department, The Cyprus Institute of Neurology & Genetics, 6 Iroon Avenue, 2371 Ayios Dometios, Nicosia, Cyprus.
Computer methods and programs in biomedicine
|September 24, 2024
概括
机器学习准确地预测了急性髓性白血病 (AML) 患者的药物敏感性. 这种方法通过基于分子和临床数据识别更有效的药物来个性化治疗,从而改善患者的治疗结果.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 药理学 药理学是指药理学的学科.
背景情况:
- 几十年来,标准的急性髓性白血病 (AML) 治疗方法几乎没有变化.
- 复杂的突变和缺乏向疗法阻碍了个性化的AML治疗.
- BeatAML数据集提供了广泛的分子,临床和药物敏感性数据.
研究的目的:
- 使用机器学习 (ML) 算法重新分析BeatAML数据集.
- 在AML患者中预测122种药物的活体药物敏感性.
- 为个性化治疗策略利用分子和临床数据.
主要方法:
- 使用ElasticNet进行完全可解释的ML模型.
- 使用了自动基因过的两步训练协议.
- 评估所有数据组合以优化每个药物的训练设置.
主要成果:
- 通过结合临床和RNA测序数据,实现了0.67的皮尔森相关性.
- RNA测序数据显示,整个外基因组测序的预测能力是整个外基因组测序的三倍.
- 确定了88%的患者预测药物比给药药物更有效.
结论:
- 对BeatAML数据集的ML再分析显示了个性化AML治疗的潜力.
- 该方法显示了预测和实际药物反应之间的有希望的相关性.
- 这代表了改善AML患者治疗结果的重大进展.
更多相关视频
07:39Intracellular Phosphoflow Cytometry of Acute Myeloid Leukemia Patient-Derived Xenotransplants
Published on: June 6, 2025
39
09:01Flow Cytometry to Estimate Leukemia Stem Cells in Primary Acute Myeloid Leukemia and in Patient-derived-xenografts, at Diagnosis and Follow Up
Published on: March 26, 2018
13.9K
