相关实验视频
Updated: May 6, 2026
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.8K
人工智能模型用于预测黑色素瘤中的反PD1反应,使用多omics生物标志物
Axel Gschwind1,2, Stephan Ossowski1,2
1Institute of Medical Genetics and Applied Genomics, University of Tübingen, 72076 Tübingen, Germany.
Cancers
|March 13, 2025
概括
一个新的多omics AI 模型准确地预测了晚期黑色素瘤患者的抗PD1 治疗反应. 这种方法优于目前的方法,为患者提供更好的免疫检查点抑制剂 (ICI) 选择.
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:
- 免疫检查点抑制剂 (ICI) 在晚期黑色素瘤中表现出不同的疗效.
- 预测对抗PD1疗法的反应具有挑战性,目前的方法,如非同义瘤突变负担 (nsTMB) 的准确性有限.
- 没有反应的人面临潜在的副作用和治疗延迟.
研究的目的:
- 开发和验证一种多omics机器学习模型,用于预测晚期黑色素瘤中抗PD1治疗反应.
- 将多组学模型的预测性能与nsTMB和仅使用基因组或转录基因组数据的模型进行比较.
主要方法:
- 开发了一个机器学习模型,整合了基因组和转录基因组生物标志物.
- 使用最小绝对收缩和选择操作员 (LASSO) 回归方法,对来自全外体和RNA测序数据的49种生物标志物进行了分析.
- 在449名黑色素瘤患者的元队列上,模型性能与nsTMB使用ROC AUC进行了评估.
主要成果:
- 与单独的nsTMB相比,多omics AI模型证明了对抗PD1结果的更好的预测.
- 该模型在训练组中实现了0.7的ROC AUC,在测试组中达到0.64.
- 使用每样本的SHAP值来实现预测的可解释性.
结论:
- 基于多omics和RNA-seq的模型在预测黑色素瘤对ICI的反应方面表现优于nsTMB.
- 机器学习方法通过每个患者的预测解释来提高临床可用性.
- 对于临床级AI模型的开发,还需要对更大的队列进行进一步的前性研究.
