|
|
期刊：Nature(if=69.504)
数据集：Reactome 数据库/HLA基因分型数据/RNA测序（RNA-seq）数据
今天分享的是来自剑桥大学的Carlos Caldas(h-index:106)研究团队在国际顶级期刊 Nature在线发表的题为 Multi-omic machine learning predictor of breast cancer therapy response 的文章。乳腺癌是恶性肿瘤细胞与肿瘤微环境组成的复杂生态系统，这些肿瘤生态系统的组成及其内部的相互作用，可影响乳腺癌治疗效果。而多组学大数据有望对这种复杂生态系统进行较为全面的刻画。
— 研究过程 —
首先，作者收集了168名在手术前接受化疗+/- HER2靶向治疗的乳腺癌患者相关信息，包括治疗前活检的临床、数字病理学、基因组和转录组学特征，然后将手术时的病理学终点（完全缓解或残留疾病）与这些诊断活检中的多组学特征相关联。
— 效果和泛化性能 —
结果发现，治疗效果受到治疗前肿瘤生态系统的影响，其多组学特征可以采用机器学习整合于疗效预测模型。治疗后残留病变的程度与治疗前特征（包括肿瘤基因突变和拷贝数变化特征、肿瘤增殖、免疫浸润、T淋巴细胞功能障碍和排斥）成单调函数关系。将这些特征结合于多组学机器学习模型，对其他75例早期乳腺癌新辅助治疗患者进行外部验证，可预测病理完全缓解，曲线下面积达AUC=0.87。
— 研究结论 —
因此，该研究结果表明，通过多组学大数据集成和机器学习综合分析乳腺癌治疗前整个肿瘤生态系统的特征，可预测乳腺癌治疗效果，有助于及时调整优化治疗方案，该方法还可被用于开发其他癌症的预测工具。
医学AI方案设计
白星花科研实验室
● 十几位美籍教授团队
● 已发表几十篇IF>6 SCI
● 100%成功案例
临床研究、肿瘤、流行病、影像组学、META数据分析、药物机制
AI 知识图谱
实时更新，可视化检索 ，科研发表
AI 医学影像
近百AI医学方案，高分SCI
医院●医生●药企
免费方案定制👉
白星花 | 招募算法工程师中
1.熟悉Al算法实现
2.发表过Al算法或医学类论文
3.熟悉cv、nlp、医学统计或meta,分析其中一种或者几种。
扫描添加官方微信，回复"招募”
点这里👇
关注我们~
一键三连哦~ /「分享」、「点赞」和「在看」 |
|
