相关实验视频
Updated: Jun 8, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
通过网络Shapley价值分析发现乳腺癌抗PD1反应的可解释生物标志物
1Department of Biomedical Engineering, School of Control Science and Engineering, Shandong University, Jinan, Shandong 250061, China.
Computer methods and programs in biomedicine
|November 2, 2024
概括
一种使用游戏理论的新方法识别了27基因生物标志物模块,用于预测乳腺癌免疫治疗反应,达到90.5%的准确性. 这通过了解治疗机制来推进精准医学.
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:
- 免疫疗法对乳腺癌有希望,但反应仅限于一小部分患者.
- 确定免疫疗法反应的预测生物标志物对于治疗选择至关重要.
- 目前的基因选择方法缺乏可解释性,无法捕捉基因与基因之间的相互作用.
研究的目的:
- 开发一种新的,可解释的特征选择方法,用于识别基因调节网络生物标志物模块.
- 将合作游戏理论与机器学习相结合,以增强生物标志物发现.
- 确定乳腺癌免疫治疗反应的预测生物标志物.
主要方法:
- 使用Shapley值的合作游戏理论方法被应用来量化基因的重要性.
- 网络扩展原则和节点邻近性被用来限制功能集成,提高可解释性.
- 该方法应用于来自乳腺癌免疫治疗患者的单细胞RNA测序数据.
主要成果:
- 确定了一种27基因生物标志物模块,可预测免疫治疗反应.
- 该模块在预测抗PD1治疗结果时实现了0.905的分类准确度和0.971的AUC.
- 功能丰富分析和独立验证证实了已确定生物标志物的预测性能.
结论:
- 拟议的方法有效地识别具有高预测能力的网络模块生物标志物.
- 发现的抗PD1反应生物标志物增强了对免疫疗法的生理机制的理解.
- 这种方法有望在乳腺癌治疗中推进精准医学.
