科Mark:一个高通量神经多任务学习框架,用于全面量化癌症特征
Shreyansh Priyadarshi1, Camellia Mazumder2, Bhavesh Neekhra1
1Department of Computer Science, Ashoka University, Sonipat, Haryana, 131029, India.
Communications biology
|October 7, 2025
概括
这项研究引入了一个新的AI框架,可以从基因表达数据直接测量癌症特征. 这个工具有助于理解瘤生物学和个性化癌症治疗.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 量化癌症进展驱动因素至关重要,但具有挑战性.
- 目前的诊断工具并不能直接测量癌症的特征.
- 基因表达数据为了解瘤生物学提供了丰富的来源.
研究的目的:
- 从基因表达数据开发一个计算框架来估计癌症标志性活性.
- 为了能够直接测量推动癌症进展的生物过程.
- 支持瘤学的研究和临床应用.
主要方法:
- 设计了一个神经多任务学习框架.
- 该模型在14种组织类型的941种瘤的转录形状上进行了训练.
- 在五个独立数据集和大型正常/癌症样本上验证了性能.
主要成果:
- 该框架准确地预测了同时十种癌症特征的活性.
- 通过验证证实高灵敏度和特异性.
- 预测的标志性活性与临床阶段表现出相关性,表明生物相关性.
结论:
- 开发的框架提供了一种有效的方法来分析转录基因数据,以评估癌症的特征.
- 这种方法增强了对瘤生物学的理解,并促进了个性化的治疗策略.
- 一个基于网络的工具可用于将这种分析集成到研究和临床工作流程中.
