×
李、熊;冯、宣;周，胡安;罗玉超;陈，肖;赵嘉鹏;陈浩文;熊国明;罗国良

一种基于深度学习的多模式特征融合方法，用于预测免疫治疗反应。 （英语） Zbl 07841967年

J.西奥。生物。 586，文章ID 111816，9 p.（2024）.
小结：免疫检查点治疗（ICT）在过去几年中大大提高了癌症患者的生存率，但只有少数患者对ICT有反应。为了预测ICT响应，我们开发了基于深度学习的多模态特征融合模型（MFMDL）。该模型利用图神经网络将基因网络中的基因-基因关系映射到低维向量空间，然后融合生物通路特征和免疫细胞浸润特征，对ICT进行稳健预测。我们使用了五个数据集来验证MFMDL的预测性能。这五个数据集涵盖多种癌症，包括黑色素瘤、肺癌和胃癌。我们发现，基于深度学习的多模态特征融合模型的预测性能优于其他传统ICT生物标记物，如ICT靶点或肿瘤微环境相关标记物。此外，我们还进行了烧蚀实验，以证明融合不同模态特征的必要性，这可以提高模型的预测精度。

MSC公司：

92 C50 医疗应用（通用）
93D10号 反馈系统的Popov型稳定性
68T07型 人工神经网络与深度学习

关键词：

数据融合;深度学习;精密医学;肿瘤免疫治疗反应

软件：

ppcor公司;NetworkX公司;scGNN公司;科学Py
PDF格式BibTeX公司 XML格式引用
\textit{X.Li}等人，J.Theor。生物学586，文章ID 111816，9 p.（2024；Zbl 07841967）
全文： DOI程序

参考文献：

[1] 阿纳格诺斯托，V。；兰登，B。；麦地那，J。；Forde，P。；Velculescu，V.，《将肿瘤不断演变的分子景观转化为肿瘤免疫治疗反应的生物标记物》，《科学》。Transl.公司。医学，146702022
[2] 宾迪亚，G。；Mlecnik，B.，肿瘤内免疫细胞的时空动力学揭示了人类癌症的免疫景观，《免疫学》，39，782-7952013
[3] 巴特勒，A。；霍夫曼，P。；Smibert，P。；Papalexi，E。；Satija，R.，《整合不同条件、技术和物种的单细胞转录组数据》，《国家生物技术》。，36, 411-420, 2018
[4] Champiat，S.，超进展性疾病是一种新的癌症患者进展模式，抗PD-1/PD-L1，临床。癌症研究，23，1920-1928，2017
[5] 方，C。；徐，D。；苏，J。；干燥，J.R。；Linghu，B.，DeePaN：深层患者图卷积网络，整合临床基因组证据，以分层肺癌进行免疫治疗。npj数字，医学，2021年4月14日
[6] Gide，T.N.，不同免疫细胞群定义了对抗PD-1单药治疗和抗PD-1/抗CTLA-4联合治疗的反应，《癌症细胞》，352019，238-255.e6
[7] 郭，Z。；李毅。；张，D。；Ma，J.，Axl抑制诱导抗肿瘤免疫反应，PD-1阻断可进一步增强其在小鼠肿瘤模型中的作用，Oncotarget，8，89761-897742017
[8] 郭，F.D。；袁，Y。；Wang，G.R。；赵晓刚。；Sun，H.，道路社交网络中的多属性社区搜索，ICDE，109-1202021
[9] Hagberg，A.A.、Schult，D.A.和Swart，P.J.，2008年。使用NetworkX探索网络结构、动态和功能。在第七届Python科学大会（SciPy 2008）上。https://www.osi.gov/servlets/purl/960616。
[10] Hanna，G.J.，Frameshift事件预测头颈癌的抗PD-1/L1反应，JCI Insight，3，e988112018
[11] Hanna，N.H.，《驱动因素改变的IV期非小细胞肺癌治疗：ASCO和OH（CCO）联合指南更新》，J.Clin。Oncol.公司。，39, 1040-1091, 2021
[12] Hänzelmann，S。；卡斯特罗，R。；Guiney，J.，GSVA：微阵列和RNA-Seq数据的基因集变异分析，BMC Bioinf。，14, 7, 2013
[13] 哈维尔，J.J。；乔维尔，D。；Chan，T.A.，《检查点抑制剂免疫治疗生物标记物的演变前景》，《国家癌症评论》，2019年第19期，第133-150页
[14] 亨德里克斯，L.E。；科尔，K.M。；Menis，J.，《非癌基因依赖性转移性非小细胞肺癌：ESMO诊断、治疗和随访临床实践指南》，Ann.Oncol。，34, 4, 358-376, 2023
[15] 雨果，W。；Zaretsky，J.M。；Sun，L。；Song，C.，抗PD-1治疗对转移性肿瘤反应的基因组和转录组特征，黑色素瘤，165，1，35-442016
[16] Kim，S.，ppcor：用于快速计算半偏相关系数的R包，Commun。统计应用程序。方法，22665-6742015
[17] Kim，S.T.，转移性胃癌中PD-1抑制临床反应的综合分子表征，国家医学，241449-14582018
[18] Kipf，T.N。；Welling，M.，图卷积网络的半监督分类，国际学习表示会议（ICLR），2017
[19] Kong，J.H.，结直肠癌和膀胱类器官模型中基于网络的机器学习预测患者的抗癌药物疗效，Nat.Commun。，11, 5485, 2020
[20] Kong，J.H。；Ha，D。；Lee，J.，基于网络的机器学习方法预测癌症患者的免疫治疗反应，国家通讯社。，13, 3703, 2022
[21] Lee，J.S.，通过肿瘤转录组合成致死性介导的精确肿瘤学，Cell，184，2487-2502.e13，2021
[22] Leiserson，M.D.M.，《泛癌网络分析》，《国家遗传学》，识别跨通路和蛋白质复合物的罕见体细胞突变组合。，47, 106-114, 2015
[23] Liao，W。；奥弗曼，M.J。；Boutin，A.T.，KRAS-IRF2轴驱动结直肠癌的免疫抑制和免疫治疗抵抗，《癌症细胞》，35559-5722019
[24] Liu，D.，转移性黑色素瘤患者PD1阻断临床结果的综合分子和临床建模，国立医学院，251916-19272019
[25] 刘，B。；胡，X。；Feng，K.，《时间单细胞追踪揭示抗PD-1治疗肺癌期间前体耗竭T细胞的克隆性复苏和扩增》，Nat cancer，3108-1212022年
[26] Ribas，A。；Wolchok，J.D.，《使用检查点封锁的癌症免疫治疗》，《科学》，359，1350-13552018年
[27] Sakai，M。；Nagayasu，K。；Shibui，N.，用图卷积神经网络从化学结构预测药理活性，科学。代表，11，525，2021
[28] Skoulidis，F.，KRAS突变型肺腺癌中STK11/LKB1突变和PD-1抑制剂耐药性，癌症研究所。，8, 822-835, 2018
[29] Stuart，T.，《单细胞数据的综合集成》，cell，1771888-1902.e18212019
[30] Sun，L.L.，抑制ATR下调PD-L1并使肿瘤细胞对T细胞介导的杀伤敏感，美国癌症研究，81307-13162018
[31] Wang，J。；马，A。；马奇。；徐，D。；Joshi，T.，利用有监督和半监督图神经网络进行基因调控网络的归纳推理，计算。结构。生物技术。J.，18，3335-33432020年
[32] Wang，J。；马，A。；Chang，Y.，scGNN是一种用于单细胞RNA-Seq分析的新型图形神经网络框架，Nat.Commun。，12, 1882, 2021
[33] 王，X。；Zhang，H.，肿瘤微环境中的CD200+细胞毒性T淋巴细胞对于有效的抗PD-1/PD-L1治疗至关重要。Transl.公司。医学，156792023
[34] Wei，S.C。；达菲，C.R。；Allison，J.P.，免疫检查点阻断治疗的基本机制，癌症研究所。，8, 1069-1086, 2018
[35] Wu，K.，PD-1和CTLA-4抑制剂联合使用的疗效和安全性：荟萃分析，实验血液学。Oncol.公司。，8, 26, 2019
[36] 吴振聪。；Wang，Y.A。；Livingston，J.A.，使用全球基因网络协会预测抗PD-1免疫疗法的生物标志物和治疗组合，Nat.Commun。，13, 42, 2022
[37] 熊，D。；王，Y。；You，M.，TREM2hi巨噬细胞和γδT细胞的基因表达特征预测免疫治疗反应，国家通讯社。，11, 5084, 2020
[38] Xu，Y.，PD-L1表达与抗PD-1/PD-L1免疫治疗疗效和非小细胞肺癌患者生存率的关系：随机对照试验的荟萃分析，Transl。肺癌研究，8，413-428，2019
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。