一个基于注意力的mRNA转换器网络,用于准确预测黑色素瘤对免疫检查点抑制剂的反应

科学领域:

• 计算生物学
• 癌症学
• 免疫学

背景情况:

• 预测黑色素瘤免疫治疗反应对于有效的治疗选择至关重要.
• 深度学习模型提供了分析复杂生物数据的强大功能.
• 将mRNA表达与功能数据集成可以提高预测准确性.

研究的目的:

• 开发和评估用于预测黑色素瘤免疫检查点抑制剂的临床反应的深度学习模型 (AMU).
• 通过使用mRNA表达形状来评估AMU的性能与已有的机器学习算法.
• 确定与治疗疗效相关的关键生物途径和基因表达标记.

主要方法:

• 对黑色素瘤免疫治疗 (AMU) 的注意力机制模型的开发,其中包含了自我注意力机制.
• 使用黑色素瘤患者样本的验证 (治疗前) 和测试 (治疗后) 组对AMU进行评估.
• 与支持矢量机 (SVM),随机森林,AdaBoost,XGBoost和卷积神经网络 (CNN) 的比较分析.
• 模型解释以确定关键的生物途径和基因表达相关性.

主要成果:

• 在验证组中AMU获得了高性能 (AUC=0. 941,mAP=0. 960) 和在试验组中显著的性能 (AUC=0. 672,mAP=0. 800).
• 确定TNF- TNFRSF1A通路对黑色素瘤免疫疗法的有效性至关重要.
• CD80和CCR3表达水平与生存率和治疗反应有显著的相关性.

结论:

• 在预测黑色素瘤免疫治疗反应方面,AMU深度学习模型显示出卓越的有效性.
• 该研究强调了TNF-TNFRSF1A途径和特定基因表达作为治疗结果的潜在生物标志物.
• 这项工作促进了变压器架构在转录组分析中的应用,并为精确瘤学提供了洞察力.