基于变压器的深度学习生存预测模型和基于肝细胞癌的cGAS-STING中心途径的可解释的XGBoost抗PD-1/PD-L1结果预测模型
Ren Wang1,2,3, Qiumei Liu1,2,3, Wenhua You1,2,3
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, 101 Longmian Avenue, Nanjing 211166, Jiangsu Province, China.
Briefings in bioinformatics
|January 3, 2025
概括
新模型使用cGAS-STING通路预测肝细胞癌 (HCC) 存活率和抗PD-1/PD-L1反应. 这些工具为个性化HCC治疗策略提供了潜力.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 循环GMP-AMP合成酶 (cGAS) 刺激干扰素基因 (STING) 途径与肝细胞癌 (HCC) 的发展和瘤免疫有关.
- 经典癌症途径和免疫相互作用与HCK中的cGAS-STING信号密切相关.
研究的目的:
- 在HCC中开发患者存活率和对抗编程细胞死亡蛋白1 (PD-1) /编程细胞死亡配体1 (PD-L1) 疗法的反应的预测模型.
- 为了利用cGAS-STING路径作为这些预测模型的核心组件.
主要方法:
- 建立了一个基于变压器的深度学习生存模型,保存路径结构,并对泛癌和HCC队列进行了验证.
- 使用SHAP算法开发了一个可解释的XGBoost模型,用于预测抗PD-1/PD-L1治疗结果.
- 模型在各种数据集上进行了训练和验证,包括TCGA-LIHC,ICGC-LIRI-JP,GSE144269和免疫疗法数据集 (GSE78220).
主要成果:
- 变压器生存模型在独立的HCC队列中显示出显著的预测准确性 (C指数从0.647到0.750不等).
- XGBoost模型在预测免疫治疗反应方面取得了强的表现 (AUCs范围从0.719到0.789).
- 这两种模型都显示出预测HCC患者的生存风险和抗PD-1/PD-L1结果的潜力.
结论:
- 开发的深度学习和XGBoost模型对预测HCC的存活率和免疫疗法反应具有前景.
- 这些以cGAS-STING途径为中心的模型可能会指导临床决策,并为HCC患者个性化治疗策略.
- 这些预测模型在GitHub上公开提供,以便进一步研究和应用.
