使用深度学习和机器学习开发血管生成相关的预后生物标志物和膀癌的治疗策略

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 药物发现 药物发现 药物发现

背景情况:

• 膀癌 (BLCA) 是一种异质恶性瘤,受瘤血管生成和瘤微环境 (TME) 的影响.
• 抗血管生成疗法为BLCA治疗提供了一个有希望的途径.
• 了解瘤血管生成对于开发有效的治疗策略至关重要.

研究的目的:

• 开发一个集成的机器学习系统来构建血管生成相关的基因签名 (ARGS),用于评估BLCA中TME状态.
• 确定抗体-药物合物 (ADC) 的新型抗血管原药有效载荷,并开发治疗反应的预测生物标志物.
• 评估赛科沙尼D (SSD) 作为BLCA中的抗血管原治疗剂的潜力.

主要方法:

• 构建一个集成的机器学习系统来导出血管生成相关的基因签名 (ARGS).
• 用于设计ADC的高度细胞毒性药物有效载荷的药物模拟模型.
• 人工智能驱动的药物设计,开发一种具有抗血管性质的新型天然化合物.
• 多维机器学习用于选治疗后效应生物标志物.

主要成果:

• 开发的ARGS包括12个血管生成相关基因,有效地将BLCA患者分为高风险和低风险组.
• 高风险的BLCA队列表现出与瘤血管新生和免疫检查点标记物的差异表达相关的显著TME重塑.
• 赛可沙尼D (SSD) 在BLCA中表现出抗血管性作用,并被确定为潜在的ADC药物有效载荷.
• MYH11被确定为评估BLCA中SSD治疗疗效的最可能的生物标志物.

结论:

• 在BLCA中,ARGS为评估TME状态和预后风险提供了有价值的工具.
• 赛可沙尼D (SSD) 显示出在BLCA中抗血管性疗法的显著潜力,特别是作为ADC有效载荷.
• MYH11作为可靠的生物标志物,用于监测BLCA中SSD治疗反应,从而实现个性化的治疗策略.