相关实验视频
Updated: Jun 5, 2025

Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
综合可解释的机器学习和多omics分析用于癌症的生存预测与免疫疗法反应
Alphonse Houssou Hounye1, Li Xiong2, Muzhou Hou3
1General surgery department of Second Xiangya Hospital, Central South University, 139 Renmin Road, Changsha, 410011, Hunan, China. hounyeal@csu.edu.cn.
这项研究引入了NKECLR模型,使用自然杀手细胞标记基因来预测黑色素瘤癌患者的生存率和治疗结果. 该模型有助于理解免疫细胞透,并改善癌症死亡率预测.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 黑色素瘤癌症具有显著的死亡风险.
- 准确预测患者的生存率和治疗反应对于有效的管理至关重要.
- 了解潜在的生物机制,包括免疫细胞透,可以改善预后模型.
研究的目的:
- 开发和验证可解释的机器学习模型,用于预测黑色素瘤癌死亡率.
- 为了确定与癌症存活相关的关键遗传标记.
- 探索免疫细胞标记物与治疗反应之间的关系.
主要方法:
- 利用十个机器学习模型在各种数据集中预测死亡率.
- 采用特征选择技术来识别最佳预测特征.
- 开发了NKECLR模型,结合了自然杀手 (NK) 细胞标记基因.
- 应用可解释的AI技术,包括SHapley添加式解释 (SHAP) 和LIME,以实现模型透明度.
主要成果:
- 在NKECLR模型中,AUC值达到81.8% (培训) 和79.3% (验证).
- 将NKECLR与免疫检查点抑制剂 (PD-L1,PD-1,CTLA-4) 结合起来,AUC提高到83%.
- 确定了四个关键基因 (EPGN,PHF11,RBM34,ZFP36) 影响癌症死亡率预测.
- 在高风险黑色素瘤患者群体中揭示了独特的免疫细胞透模式.
结论:
- NKECLR模型提供了一种创新和可解释的方法来预测黑色素瘤存活率.
- 该模型有效地整合了基因标记物和免疫细胞数据,以提高预后准确度.
- 这些发现为高风险和低风险黑色素瘤患者之间的免疫微环境差异提供了洞察力,可能指导治疗策略.
更多相关视频
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
07:46Microfluidic Co-Culture Models for Dissecting the Immune Response in in vitro Tumor Microenvironments
Published on: April 30, 2021
相关概念视频
Cancer Survival Analysis
Tumor Immunotherapy
Combination Therapies and Personalized Medicine
The combination of the drug acetazolamide and sulforaphane is a good example of combination therapy to treat cancer. The cells in the interior of a large tumor often die due to the hypoxic and...