在使用生物深度学习的抗编程死亡-1疗法下预测肺腺癌的反应和存活率

科学领域:

• 计算生物学和生物信息学
• 人工智能在瘤学中的应用
• 基因组学和精准医学

背景情况:

• 编程死亡 (PD) -1 抑制剂已被批准用于肺腺癌 (LUAD),但仅对一小部分患者有益.
• 预测患者对抗PD-1疗法的反应仍然是一个挑战,导致治疗结果不理想.
• 需要先进的计算工具来整合多omics数据以进行个性化治疗预测.

研究的目的:

• 开发一种新的计算模型,sBiosNet,用于预测LUAD中患者对抗PD-1治疗的反应.
• 利用转移学习和半监督学习,有效地利用标记和未标记的患者数据.
• 将基因组突变和拷贝数变异数据与生物途径相结合,以提高预测准确度.

主要方法:

• 开发了一个半监督的生物稀疏神经网络 (sBiosNet),结合了转移学习.
• 利用Reactome途径进行生物特征提取和网络散散.
• 集成的多omics数据 (基因组突变,副本数变异) 并使用四个患者队列进行验证.

主要成果:

• sBiosNet实现了高预测准确性,在验证队列中AUROC为0.888和AUPR为0.919.
• 在独立的外部队列 (AUROC:0.853,AUPR:0.894) 上验证了性能.
• 废弃性研究证实了生物散化,多omics集成,转移学习和半监督学习的贡献.
• 确定了影响LUAD对PD-1抑制剂反应的关键基因 (例如TP53,FGF3,FGFR4,EGFR).
• 通过sBiosNet识别的低风险的LUAD患者在使用抗PD-1疗法时表现出明显更长的整体和无进展生存期.

结论:

• sBiosNet模型准确地预测了患者对抗PD-1治疗的LUAD反应和生存结果.
• 这种预测能力可以帮助减少不响应者不必要的治疗,优化临床管理.
• 该研究强调了整合多学科数据和先进机器学习用于精密瘤学的潜力.