基于机器学习的固体瘤免疫子组分类使用RNA-Seq数据

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 生物信息学是一种生物信息学.

背景情况:

• 准确地对瘤免疫微环境 (TIME) 亚组进行分类,对于预测免疫疗法反应和指导个性化治疗至关重要.
• 目前对TIME亚组及其与免疫疗法疗效和预后的相关性知识尚不完整,需要进一步调查潜在的微环境因素.

研究的目的:

• 开发和验证一个机器学习模型,用于精确地分类时代子组.
• 确定新的TIME子组,并了解它们对瘤异质性的影响.
• 为研究人员和临床医生创建一个用户友好的工具,以便在免疫疗法研究和治疗规划中利用TIME分类.

主要方法:

• 利用了来自440个免疫相关基因的FPKM规范化RNA-Seq数据.
• 开发了一个使用 eXtreme Gradient Boosting (XGBoost) 算法的分类模型.
• 在7300个样本上训练模型,并在1826个样本的独立测试集上验证它.
• 集成主要组件分析 (PCA) 和T分布式静态邻居嵌入 (t-SNE) 用于可视化和探索性分析.

主要成果:

• 在独立测试组中,XGBoost模型实现了高性能,宏观平衡精度为0.959,宏观平衡F1得分为0.908.
• 确定了第七个占主导地位的TIME子组,该子组表现出六个已建立的子组的混合特征,为瘤异质性提供了新的见解.
• 部署模型作为一个网络接口,并集成可视化工具用于实际应用.

结论:

• 开发的机器学习模型提供了 TIME 子组的准确和强大的分类.
• 鉴定出新的第七个子组,有助于更好地理解瘤异质性及其对免疫治疗反应的影响.
• 易于使用的网页界面有助于在临床实践和研究中应用TIME分类,从而有可能改善免疫疗法结果和治疗精度.