相关实验视频
Updated: Sep 19, 2025

Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
哈皮尔 (HAPIR):一种精细的基于基因组的Hallmark机器学习方法,用于预测癌症患者的免疫治疗反应
Mengqin Yuan1, Haizhou Liu2,3,4, Yu-E Huang5
1Department of Biomedical Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, China.
一种新的方法,即基于Hallmark基因组的免疫疗法反应预测方法 (HAPIR),可以准确预测患者对免疫检查点抑制剂 (ICI) 的反应. 哈皮尔的性能优于现有的生物标志物,有助于开发新的癌症免疫治疗策略.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 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) 已经改变了癌症治疗,但只对一小部分患者有益.
- 预测对ICI的反应仍然是临床实践中的一个关键挑战.
- 对于ICI反应的现有生物标志物在准确性和范围上有局限性.
研究的目的:
- 开发和验证一种新的,强大的生物标志物,用于预测患者对免疫检查点抑制剂 (ICI) 的反应.
- 改进现有的基因组分析方法,以提高预测准确度.
- 确定潜在的治疗点,以克服免疫疗法耐药性.
主要方法:
- 使用转录基因数据开发基于基因集的预测免疫疗法响应 (HAPIR) 的Hallmark方法.
- 根据响应者和非响应者之间的基因表达差异,精制了七个霍尔马克基因组.
- 用多队列分析对各种癌症类型 (黑色素瘤,NSCLC,STAD) 的预测性能验证.
- 对HAPIR与13个现有的生物标志物进行比较,包括PD-1和PD-L1,以及其他基于基因组的模型.
主要成果:
- 与现有的生物标志物 (例如,PD-1 AUROC = 0.678,PD-L1 AUROC = 0.54) 相比,HAPIR显示出更好的预测性能 (在交叉验证中AUROC = 0.778).
- 在验证组和独立队列中观察到一致的高性能 (平均AUROC = 0.745).
- 哈皮尔得分与患者存活率有显著的相关性,并反映了瘤免疫微环境,这表明有可能发现新的药物标.
结论:
- 哈皮尔是一种强大且经过验证的工具,用于预测患者对免疫检查点抑制剂 (ICI) 的反应.
- 这种方法超越了当前基于基因和基于替代基因集的预测模型.
- 哈皮尔为指导个性化免疫疗法和开发新型治疗干预措施提供了一个有前途的战略.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
相关概念视频
Combination Therapies and Personalized Medicine
The combination of the drug acetazolamide and sulforaphane is a good example of combination therapy to treat cancer. The cells in the interior of a large tumor often die due to the hypoxic and...
Tumor Immunotherapy
Targeted Cancer Therapies
There are several types of targeted therapies against...