在胃肠道癌症中用机器学习预测免疫疗法的有效性:系统性审查和元分析

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 在胃肠道 (GI) 癌症中选择免疫治疗的生物标志物的发现对于治疗疗效至关重要.
• 传统的临床生物标志物 (TCB) 在预测对免疫检查点抑制剂 (ICI) 的反应方面存在局限性.
• 机器学习 (ML) 算法为免疫治疗患者选择提供了增强预测准确性的潜力.

研究的目的:

• 系统地审查和分析ML模型对GI癌症免疫疗法反应的预测性能.
• 为了比较ML衍生的生物标志物的疗效与传统的临床生物标志物 (TCBs).
• 识别和验证具有强大的预测能力的新型基因表达特征,用于ICI治疗.

主要方法:

• 在PubMed的系统文献搜索中,研究将ML应用于用ICI治疗的肠道癌症患者,重点是瘤RNA基因表达特征.
• 使用接收机操作特征 (ROC) 分析和曲线下面面积 (AUC) 值对ML模型性能进行比较分析.
• 在转移性胃癌 (GC) 队列 (n=45) 和更大的GC队列 (n=375) 上使用5倍交叉验证和逻辑回归 (LR) 验证ML衍生的基因签名.

主要成果:

• 确定了9项符合条件的研究,主要关注胃癌 (GC) 和结直肠癌 (CRC).
• 与已公布的结果和传统基准相比,ML模型显示出具有竞争力或优异的预测性能.
• 新型基因特征包括曼诺-6-酸盐受体 (M6PR),印度氨胺2,3-二氧化酶1 (IDO1),神经平素-1 (NRP1) 和MAGEA3,显示出与PD-L1和MSI相比的或更好的预测能力.

结论:

• ML算法具有显著的潜力,可以改善患者在肠道癌症中接受免疫治疗的选择.
• 发现的新型基因标记物 (M6PR, IDO1, NRP1, MAGEA3) 需要进一步的研究和实验验证.
• 未来的研究应该专注于更大的样本大小和先进的ML模型,以完善ICI治疗的生物标志物发现.