生物解释模型用于准确预测非小细胞肺癌的复发情况

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:

• 在非小细胞肺癌 (NSCLC) 中准确的术前复发预测仍然是一个临床挑战.
• 深度学习模型对复发分析有希望,但由于解释性差,往往缺乏临床可靠性.
• 将基因组数据与深度学习相结合,需要用于临床应用的可解释模型.

研究的目的:

• 开发一种新的,可解释的深度学习模型,用于预测非小细胞肺癌复发.
• 通过为复发预测提供生物学上有意义的见解,提高临床可信度.
• 建立一个统一的架构,将基因,途径,生物过程和疾病复发联系起来.

主要方法:

• 提出了一个新的生物信息通路意识神经网络 (BioPAN).
• 自动提取生物先前知识以指导深度神经网络 (DNN) 架构.
• 为可解释的预测设计了一个统一的基因路径-生物过程-疾病架构.

主要成果:

• 通过赋予每个神经元生物意义,BioPAN提供了完全可解释的NSCLC复发预测.
• 该模型阐明了分子机制,确定了关键的复发促进/抑制基因,并突出了途径作用.
• 生物PAN的性能优于经典的机器学习方法,提供生物见解,并且需要更少的参数.

结论:

• 生物PAN使得非小细胞肺癌复发的临床适用,可解释的预测.
• 该模型通过解释复发背后的生物学机制来促进临床发现.
• 生物PAN的方法可能在各种癌症类型中具有广泛的适用性.