预测模型对Nivolumab单疗法对高级细胞癌的客观反应通过机器学习使用遗传和临床数据:SNiP-RCC研究

科学领域:

• 在瘤学瘤学.
• 免疫治疗是一种免疫疗法.
• 遗传学 遗传学 是一个

背景情况:

• 抗PD-1抗体,如尼沃卢马布,对于治疗晚期细胞癌 (RCC) 是至关重要的.
• 患者对晚期RCC治疗nivolumab的反应是可变的.
• 预测治疗疗效对于优化患者的治疗结果至关重要.

研究的目的:

• 开发机器学习 (ML) 模型,用于预测晚期RCC中瘤对nivolumab的反应.
• 整合遗传 (单核酸多态) 和临床数据,以提高预测准确度.
• 评估不同的ML算法在预测客观反应和无进展生存 (PFS) 的性能.

主要方法:

• 利用了日本患者的临床和SNP数据,这些患者患有先进的清晰细胞RCC,接受了尼沃卢马布单一治疗.
• 采用了点向线性 (PWL),用弹性网进行逻辑回归和极端梯度提升算法.
• 客观响应的曲线下的计算面积 (AUC) 和PFS的C指数来评估模型效用.

主要成果:

• PWL算法证明了在数据集中预测客观响应的最高AUC值.
• 使用PWL开发了三种预测模型:一个仅基于临床数据的模型,一个小型SNP模型 (8个SNP) 和一个大型SNP模型 (49个SNP).
• PFS的C指数为0.522 (临床模型),0.600 (小型SNP模型) 和0.635 (大型SNP模型),表明SNP集成的预测得到了改进.

结论:

• 基于ML的SNP模型有效预测晚期清细胞RCC中尼沃卢马布单一治疗的瘤反应.
• 这些预测模型具有指导临床治疗决策的巨大潜力.
• 将遗传数据与ML集成,可以提高RCC免疫疗法响应的预测.