适应性个性化基因对签名区分黑色素瘤,并预测对免疫检查点封锁的反应

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 准确的癌症亚型和预测免疫检查点阻塞 (ICB) 反应对于患者的结果至关重要.
• 目前的基因表达特征面临着批量效应和不同研究中有限的概括性挑战.
• 开发强大的生物标志物对于推进精确瘤学的发展至关重要.

研究的目的:

• 引入自适应个性化基因对签名 (AIGPS),一种基于机器学习的新型基因表达分析方法.
• 提高癌症分类和ICB反应预测的准确性和通用性.
• 克服现有方法的局限性,例如批量效应和差的可转移性.

主要方法:

• 开发了AIGPS,该方法可通过适应性来量化基因对逆转,并使用机器学习选择信息特征.
• 在24个队列中的850个样本上验证了AIGPS,用于多类皮肤癌分类.
• 在7个队列 (批量和单细胞RNA-seq) 的252个样本上测试了AIGPS,用于黑色素瘤ICB反应预测.

主要成果:

• 与现有的方法相比,AIGPS提高了皮肤癌分类准确率超过5%.
• AIGPS增强了6%的黑色素瘤ICB响应预测性能.
• 该方法通过使用相对基因表达水平,证明了对技术变异性的稳定性,并通过使用相对基因表达水平,提高了跨数据集的可转移性.

结论:

• AIGPS为瘤学中的生物标志物发现提供了一个强大的和可转移的框架.
• AIGPS的适应性提供了一种灵活的策略,用于改善癌症患者的临床结果.
• 这种方法具有显著的潜力,可以通过增强的诊断和预测能力来推进精确瘤学.