基于深度学习的排名方法用于患者的子组和预测生物标志物识别.

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 药物基因组学 药物基因组学

背景情况:

• 识别具有差异性治疗反应的患者子组对于推进临床药物开发至关重要.
• 当前的深度学习方法往往缺乏明确的生物解释性.
• 需要先进的计算方法来弥合治疗效应异质性和生物标志物发现.

研究的目的:

• 开发一个深度学习框架,DeepRAB,用于探索治疗效果异质性.
• 为了实现预测性生物标志物识别,以提高模型的可解释性.
• 促进与治疗反应差异相关的有意义的生物标志物的发现.

主要方法:

• 介绍了DeepRAB,这是个性化治疗规则 (ITR) 构建的深度学习框架.
• 综合预测生物标志物识别用于模型解释性.
• 通过使用各种模拟数据集和现实世界临床试验数据验证了hidradenitis suppurativa中阿达利穆马布的有效性.

主要成果:

• 在各种模拟数据场景中,DeepRAB有效地识别了患者子组和预测生物标志物.
• 与现有方法相比,该框架在生物标志物发现方面表现优越.
• 应用到hidradenitis suppurativa临床试验数据证实了DeepRAB在识别关键生物标志物和改善预测方面的实用性.

结论:

• DeepRAB为患者子组识别和预测生物标志物发现提供了一种有前途的基于深度学习的方法.
• 这种方法支持在临床研究中开发更有针对性的治疗策略.
• 这些发现有助于提高个性化医疗应用的决策过程.