为编程细胞死亡受体-1解封基因组生物标志物 免疫疗法在使用深度神经网络的非小细胞肺癌中取得成功:定量研究
Rayan Mubarak1, Fahim Islam Anik2, Jean T Rodriguez3
1Cypress Bay High School, Weston, FL, United States.
JMIR bioinformatics and biotechnology
|January 13, 2026
概括
这项研究使用深度学习来识别PD-1免疫疗法的非小细胞肺癌 (NSCLC) 患者的基因组生物标志物. 深度免疫基因模型确定了36个关键基因,提高了个性化治疗策略的预测准确度.
科学领域:
- 基因组学就是基因组学.
- 免疫治疗是一种免疫疗法.
- 机器学习 机器学习
- 癌症研究 癌症研究
背景情况:
- 非小细胞肺癌 (NSCLC) 是癌症死亡的主要原因.
- 编程细胞死亡受体-1 (PD-1) 免疫疗法显示出希望,但缺乏普遍反应.
- 预测性生物标志物对于优化NSCLC治疗策略至关重要.
研究的目的:
- 利用深度神经网络 (DNN) 来识别基因组生物标志物,预测NSCLC中PD-1免疫治疗反应.
- 开发和验证DeepImmunoGene模型,以准确发现生物标志物.
- 为NSCLC患者提供个性化治疗方法.
主要方法:
- 分析了355名NSCLC患者的RNA测序数据.
- 鉴定出差异表达的基因并进行了预处理.
- 机器学习模型 (SVM,XGBoost,DNN) 被训练来预测免疫治疗反应.
- 用特征选择和变异重要性分析来识别关键的预测基因.
主要成果:
- 一个DNN模型实现了82%的准确性,超过了SVM和XGBoost.
- 在98个选定的基因上训练的DeepImmunoGene模型达到87%的准确性和95%的AUC.
- 在响应者中,36个高调基因和62个非响应者中被确定为潜在的生物标志物.
结论:
- 深度免疫基因模型有效预测NSCLC的免疫治疗结果.
- 已识别的基因组生物标志物可以帮助患者在PD-1治疗中的分层.
- 这种方法支持开发针对NSCLC的个性化药物.
关键词:
深度免疫基因 (DeepImmunoGene) 是一种深度免疫基因.通过RNA-seq分析进行分析.生物标志物 生物标志物深度神经网络是一个神经网络.不同的基因表达方式免疫疗法 免疫疗法肺癌是一种肺癌.机器学习是机器学习.编程细胞死亡受体-1更多相关视频
10:29Semi-automatic PD-L1 Characterization and Enumeration of Circulating Tumor Cells from Non-small Cell Lung Cancer Patients by Immunofluorescence
Published on: August 14, 2019
11.0K
07:42Patient-Derived Tumor Explants As a "Live" Preclinical Platform for Predicting Drug Resistance in Patients
Published on: February 7, 2021
5.6K
