相关实验视频
Updated: Jan 18, 2026
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.5K
可解释机器学习用于基于蛋白质组的亚型和瘤突变负担预测在子宫内膜癌
Thi-My-Trang Luong1,2,3, Xuan Lam Bui1,2, Chii-Ruey Tzeng3
1International Master/Ph.D. Program in Medicine, College of Medicine, Taipei Medical University, Taipei, Taiwan.
Proteomics. Clinical applications
|September 8, 2025
概括
这项研究开发了一个机器学习模型,使用蛋白质学数据准确地分类子宫内膜癌 (EC) 分子类型,并预测瘤突变负担 (TMB). 该模型确定了关键的蛋白质生物标志物,为EC的精准医学铺平了道路.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 子宫内膜癌 (EC) 表现出显著的分子异质性,影响预后和治疗.
- 对EC分子亚型和瘤突变负担 (TMB) 的准确分类对于个性化治疗至关重要.
- 将蛋白质组学与机器学习 (ML) 整合在一起,为精确的EC分类和生物标志物发现提供了一条道路.
研究的目的:
- 开发和验证一个机器学习管道,使用蛋白质组学数据来分类EC分子亚型.
- 准确预测EC患者的瘤突变负担 (TMB).
- 通过ML解释性来识别EC的新型蛋白质生物标志物.
主要方法:
- 利用来自95名欧洲共同体患者的蛋白质组数据 (CPTAC).
- 开发了一个ML管道,涉及特征选择 (Lasso),分类 (逻辑回归) 和可解释性 (SHAP,LIME).
- 应用SMOTE用于类不平衡,并使用准确度,AUC,精度,回忆和F1分数来评估模型.
主要成果:
- 将11000个蛋白质组特征减少到8个关键蛋白质.
- 在分类EC分子亚型 (82.8%) 和预测TMB (89.7%) 中取得了高准确性.
- 已确认验证的 (MLH1,PMS2,STAT1) 和新发现的 (MTHFD2,MAST4,等等) 蛋白质的生物标志物.
结论:
- 蛋白质学驱动的ML方法提供了准确和可解释的EC分类和TMB预测.
- 已识别的生物标志物提供了生物学见解,并支持开发非侵入性诊断.
- 该战略为推进个人化治疗和精准医学在欧洲共同体奠定了基础.
