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

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.