IC2Bert:面具基因表达预训练和监督微调,用于强大的免疫检查点阻塞 (ICB) 响应预测

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 免疫治疗是一种免疫疗法.

背景情况:

• 使用大量RNA测序 (RNA-seq) 预测免疫检查点阻塞 (ICB) 反应对于个性化癌症治疗至关重要.
• 现有的模型面临着队列异质性的挑战,限制了它们在不同数据集中的概括性.
• 需要强大的预测模型来准确识别可能受益于ICB治疗的患者.

研究的目的:

• 开发一种新的计算模型,IC2Bert,用于对ICB响应的可靠预测.
• 为了应对RNA-seq数据中队列异质性的挑战,用于预测建模.
• 提高ICB响应预测模型的准确性和通用性.

主要方法:

• 在RNA-seq数据上利用掩盖基因表达预训.
• 用于ICB响应预测的特定领域的监督微调.
• 通过使用Leave-One-Dataset-Out交叉验证 (LODOCV) 进行对异质队列的客观评估来评估模型性能.

主要成果:

• 与现有方法相比,IC2Bert的预测准确度明显提高.
• 该模型在跨多样化和异质数据集的ICB响应预测方面显示了增强的稳定性.
• LODOCV证实了IC2Bert预测的概括性和可靠性.

结论:

• IC2Bert提供了一个强大的解决方案,可以从大量RNA-seq数据中预测ICB反应,有效地处理队列异质性.
• 开发的模型通过提高免疫治疗的预测能力来推进精确瘤学领域.
• IC2Bert模型和代码是公开的,以促进进一步的研究和临床应用.