CHIMERA-DDR:一种机器学习框架,用于对前列腺癌中异质不匹配修复和同源重组缺陷模式进行分类

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 目前的DNA损伤修复 (DDR) 生物标志物使用二进制分类,对于具有复杂,并发修复缺陷的瘤来说是不够的.
• 了解这些复杂的缺陷对于准确的癌症亚型和治疗选择至关重要.

研究的目的:

• 开发一种用于将转移性前列腺癌患者分层成更精确的DDR亚组的新方法.
• 识别与特定的DDR表型和临床结果相关的分子特征.
• 创建一个机器学习工具,用于准确的DDR子组分类.

主要方法:

• 对672名转移性前列腺癌患者的基因组分析,以确定DDR亚组和分子特征.
• 开发CHIMERA DDR,一种使用嵌套随机森林架构的概率机器学习工具.
• 在130名患者中对该工具的临床验证,以评估免疫治疗反应和分类性能.

主要成果:

• 672名患者被分为11个DDR亚组,确定了51个关键的分子特征.
• 确定了一种独特的瘤突变负担非常高的子集,具有保留的基因组完整性和增强的免疫性.
• 在识别MMRd和HRR突变亚型 (包括混合表型) 中,CHIMERA DDR表现出了卓越的分类性能 (AUC 0.919-0.999).

结论:

• CHIMERA DDR通过解决复杂的DDR表型,超越二进制分类,从而实现精确的治疗分层.
• 该工具准确检测不匹配修复缺陷 (MMRd) 和同源重组修复 (HRR) 突变分子亚型.
• 这种方法有助于更准确地为患者选择向疗法,包括免疫疗法.