预测免疫检查点阻塞反应的异质性优化方法
Juan Liang1, Qihang Guo2, Shan Xiang2
1School of Computer Science and Technology, Henan Institute of Technology, Xinxiang, 453003, China.
Scientific reports
|September 1, 2025
概括
这项研究引入了一个新的框架,通过解决瘤异质性来预测免疫检查点阻塞 (ICB) 治疗的反应. 该方法通过将患者分成不同的小组来提高预测准确性,从而提高精确免疫治疗.
科学领域:
- 计算生物学
- 癌症研究
- 免疫疗法
背景情况:
- 患者间瘤异质性在基因组,转录组和微环境资料中呈现多模式分布.
- 这种异质性违反了传统机器学习中的单模假设,阻碍了对免疫检查点阻塞 (ICB) 反应的准确预测.
- 现有的预测模型难以解释复杂的瘤变异.
研究的目的:
- 为改善ICB响应预测开发一个异质性优化的框架.
- 解决传统机器学习模型在处理多模式瘤数据方面的局限性.
- 通过模拟多模式异质性来实现生物可解释的精确免疫疗法.
主要方法:
- 应用K-means集群将患者分为热瘤和冷瘤子组,优于层次和DBSCAN集群.
- 开发了特定亚型的预测模型:用于热瘤的支向量机和用于冷瘤亚型的随机森林.
- 使用七个异质相关的生物标志物来构建规避单模约束的模型.
主要成果:
- 拟议的框架显著提高了黑色素瘤,NSCLC,其他癌症类型和泛癌数据集的ICB反应预测.
- 与11种基线方法相比,平均准确度至少提高了1. 24%.
- 在独立的外部队列中一致验证了性能改进.
结论:
- 异质性优化的框架有效地建模了多模式瘤异质性,以便更好地预测ICB反应.
- 这种方法为生物解释精确免疫疗法提供了途径.
- 这些发现表明,在预测患者对癌症免疫治疗的反应方面取得了重大进展.
