一个多式模式框架来评估病理学,转录学和胰腺癌突变之间的联系.
Francesco Berloco1, Gian Maria Zaccaria1, Nicola Altini1
1Department of Electrical and Information Engineering (DEI), Polytechnic University of Bari, Via Edoardo Orabona, 4, Bari 70126, Italy.
概括
这项研究开发了一种可解释的AI管道,通过整合基因病理图像和基因表达数据来预测胰腺管道腺癌 (PDAC) 的基因突变. 多模式方法准确地识别了关键突变,为瘤生物学提供了洞察力.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗图像分析 医学图像分析
- 基因组学就是基因组学.
背景情况:
- 使用深度学习从基因病理图像预测胰腺管腺癌 (PDAC) 的基因突变提供了宝贵的见解.
- 整合多omics数据可以进一步阐明瘤生物学机制.
研究的目的:
- 开发一个可解释的多式联络管道来预测PDAC中的KRAS,TP53,SMAD4和CDKN2A基因突变.
- 从基因病理学图像中整合病态特征与转录学数据.
- 在独立数据集 (TCGA-PAAD和CPTAC-PDA) 上验证管道.
主要方法:
- 使用集群受约束的注意力多实例学习 (CLAM) 模型,使用各种特征提取器 (ResNet50,UNI,CONCH).
- 通过传统和自动编码架构预处理RNA-seq数据.
- 采用机器学习 (ML) 模型进行突变分类,使用注意力图和SHAP进行解释性.
- 通过融合层或用于多式预测的投票机制的组合病态和转录组模型输出.
主要成果:
- 在验证组中,多式联机ML在KRAS突变中实现了AUROC0.92和AUPRC0.98.
- 多式联络投票模型实现了TP53突变的AUROC为0.75和AUPRC为0.85.
- 对于SMAD4和CDKN2A,转录组ML模型分别显示AUROC为0.71和0.65,多式ML实现AUPRC为0.39和0.37.
结论:
- 多式联络方法证明了结合病理学和转录学的潜力.
- 这种可解释的框架可以预测PDAC中的关键遗传突变.
- 这项研究强调了将成像和基因表达数据整合到癌症研究中的价值.
