一个泛癌,泛治疗模型,用于预测患者衍生异种移植的药物反应

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 患者衍生异种移植 (PDX) 模型提供了有价值的临床数据,但在治疗指导方面面临普遍性挑战.
• 现有的机器学习 (ML) 模型是癌症类型和治疗特定的,这限制了它们的广泛适用性.
• 为各种癌症和治疗方法开发统一的模型仍然是精密瘤学的重大挑战.

研究的目的:

• 开发一个单一的机器学习 (ML) 框架,能够在多种癌症类型和治疗中预测治疗结果.
• 克服当前模型的局限性,这些模型需要为每个癌症类型和治疗进行单独的培训.
• 建立一个可通用的模型,以改善癌症患者的治疗选择.

主要方法:

• 利用各种癌症类型的PDX基因组资料的综合数据集进行培训.
• 开发了一个新的ML框架,将癌症类型和治疗名称作为输入特征,而不是分区数据.
• 采用仅基因组和仅治疗的嵌入,并与主要组件分析 (PCA) 结合,以减少维度.

主要成果:

• 拟议的泛癌,泛治疗ML模型在所有考虑的癌症类型中显示出有希望的预测性表现.
• 该模型的准确性水平与个人训练的癌症特异模型相美.
• 该框架成功地将各种基因组数据和治疗信息集成到一个统一的预测模型中.

结论:

• 一个单一的,统一的ML模型可以有效地预测各种癌症类型和治疗方法的治疗结果,从而提高概括性.
• 开发的框架为未来的改进和实时应用在选择最佳癌症治疗中提供了坚实的基础.
• 这种方法代表了个性化医疗的重要一步,因为它允许更准确和更广泛的治疗选择.