学习训练和解释一个深度生存模型与大规模的卵巢癌转录组数据

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 卵巢癌在全球范围内呈现出糟糕的结果和有限的治疗选择.
• 新型生物标志物对于分层患者和预测治疗反应至关重要.
• 基因表达数据为开发预测结果模型提供了潜力.

研究的目的:

• 利用卵巢癌基因表达数据开发基于深度学习的结果预测器.
• 确定与患者存活相关的分子途径.
• 将卵巢癌患者分为不同的风险组进行个性化治疗.

主要方法:

• 使用了癌症基因组图谱 (TCGA) 卵巢癌转录组数据 (372名患者,约16600个基因).
• 训练并评估深度学习生存模型.
• 解释模型输出来导出基因贡献和分子途径.
• 在内部 (12名患者) 和外部 (274名患者) 数据集上进行了基于途径的验证分层.

主要成果:

• 确定了使TCGA患者分为高风险和低风险组分层的分子途径 (p=0.025).
• 在内部数据集 (p=0.229) 和外部数据集 (p=0.006) 上验证了分层有效性.
• 证明了深度学习模型的可解释性,以揭示与生存相关的生物过程.

结论:

• 分析RNA-seq数据的深度学习模型可以预测卵巢癌患者的生存率.
• 这些模型有效地检测和解释与生存结果相关的基因组.
• 这种方法为生物标志物发现和卵巢癌的个性化治疗提供了新的途径.