Nat Commun | 性能优于传统生物标志物!基于网络生物学的机器学习方法可准确预测癌症患者免疫治疗反应...

本文主要是介绍Nat Commun | 性能优于传统生物标志物!基于网络生物学的机器学习方法可准确预测癌症患者免疫治疗反应...,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

29e3b4d7033b37d006765929f2f6ce1a.jpeg

免疫疗法通过激活人体的免疫系统来对抗癌细胞,主要包括免疫检查点抑制剂(ICI)、过继性细胞转移疗法(ACT)、肿瘤特异性疫苗等。与传统抗癌药物相比,其副作用较小。此外,免疫疗法还可以利用免疫系统的记忆和适应性,使受益于该疗法的患者能够获得持续的抗癌效果。

近年来,ICI极大地改善了癌症患者的临床治疗、提高了患者的生存率。但目前只有少数患者(约占30%实体肿瘤患者)可以从中受益,绝大多数患者对ICI没有反应。已有的ICI反应相关生物标志物通常不能准确预测ICI治疗反应。

网络生物学是识别可靠生物标志物的一种强有力手段。具有相似表型作用的基因倾向于在蛋白质-蛋白质相互作用(PPI)网络的特定区域共定位,这一特性已被用于识别能预测表型结果的基因模块。基于网络的方法提供了高预测性和低噪声的生物标志物,但该方法预测大样本癌症患者对ICI治疗反应的有效性尚未得到验证。

近日,韩国浦项科技大学、延世大学的研究团队在Nature Communications发表了题为“Network-based machine learning approach to predict immunotherapy response in cancer patients”的文章。研究团队提出了一种基于网络生物学的机器学习(ML)模型,可以对ICI数据集进行稳健的预测,并识别潜在的网络生物标志物(NetBio)。研究团队整理了700多例接受ICI治疗的患者样本,包括临床结果和转录组数据。在基于NetBio的预测中,该方法准确预测了三种不同癌症(黑色素瘤、胃癌和膀胱癌)对ICI治疗的反应。此外,基于NetBio的预测效果优于基于其他传统生物标志物(如ICI靶标或肿瘤微环境相关标志物)的预测

63a3a8c965232b853bf0d2fcb9042a6b.png

文章发表在Nature Communications

主要研究内容

基于网络的免疫治疗反应预测概述

研究团队选择ICI靶点附近的通路来识别与ICI反应相关的生物学通路,并使用STRING PPI网络进行了模型的构建。首先,研究团队使用ICI靶标作为种子基因,在生物学网络上呈递ICI靶标的影响,网络呈递的一个特点是,越接近ICI靶标的节点影响分数越高。接下来,选择影响分数高的前200个基因,并鉴定其富集的生物通路,通过使用所选择的生物通路来预测免疫治疗反应,并将这些通路定义为NetBio

73998ffbf2a06020b8ec63009ebb15b3.png

图1. 基于PPI的特征基因选择模式图。来源:Nature Communications

为了进行基于ML的免疫治疗反应预测,研究团队使用NetBio作为输入特征,并将基于基因的生物标志物(即免疫治疗靶基因)、基于肿瘤微环境的生物标志物或从数据驱动的ML方法中选择的通路作为阴性对照,通过监督学习训练ML模型(图2)。

研究团队使用不同的训练数据集和测试数据集的组合广泛地评估了预测性能的一致性。具体而言,1. 研究内预测,其中训练和测试数据集来自单个队列;2. 跨研究预测,其中两个独立的数据集被用作训练和测试数据集。此外,研究团队还交替使用大量或少量的训练样本来衡量不同训练条件下预测性能的一致性。 

390aa3860268db0c7e1c30d4faf7f5ed.png

图2. 基于NetBio的机器学习模式图。来源:Nature Communications

基于NetBio的ML可以对ICI治疗反应和总生存期做出一致预测

研究发现,NetBio转录组预测ICI反应时的预测性能一致,基于药物靶标表达水平做出的预测不太一致(图3)。使用NetBio训练的ML模型在所有4个数据集(两个黑色素瘤队列、一个转移性胃癌队列和一个膀胱癌队列)中始终保持准确的预测;药物靶标仅能在黑色素瘤队列中实现准确预测。

在三个具有总生存数据的数据集中,基于NetBio的ML预测的ICI应答患者总生存时间显著延长。研究团队还比较了NetBio与其他已知的ICI相关生物标志物的预测性能,发现在大多数情况下,基于NetBio的预测效果优于其他方法

ae4dce42d9eb190f8a231e208fb779c1.png

图3. NetBio在对ICI治疗反应和总生存期层面的预测。来源:Nature Communications

NetBio预测优于纯数据驱动的特征选择方法

研究团队测试了与纯数据驱动的特征选择方法相比,添加了代表PPI网络先验生物知识的NetBio能否改善特征选择。结果显示,与纯数据驱动的ML预测相比,基于NetBio的ML模型能够持续提高预测性能。具体而言,在11个不同的任务中,研究团队发现NetBio的预测性能明显优于基于纯数据ML的特征选择。此外,在对黑素瘤队列进行预测时,均观察到性能改善,表明网络引导选择有助于减少ML模型的过拟合。上述结果表明,利用基于网络的生物标志物选择能够识别可靠的转录组生物标志物。 

1019c1926f5e9eb11acb9c7c30548ee1.png

图4. NetBio与纯数据驱动模型的性能比较。来源:Nature Communications

NetBio预测再现了TCGA数据集中的免疫微环境

由于NetBio在包含三种不同癌症类型的不同队列中表现最佳,进一步,研究团队探索了NetBio预测是否可以重现与免疫治疗反应相关的免疫微环境(图5)。结果显示,NetBio的预测成功地再现了免疫微环境。Gide和Liu数据集(黑色素瘤队列)表现出相似的免疫微环境特征,与白细胞比例、CD8 T细胞比例呈高度正相关,与M2巨噬细胞比例呈高度负相关。研究团队还分析了与免疫细胞比例高度相关的NetBio通路,发现FGFR信号通路与CD8 T细胞比例的相关性最高,该通路的表达水平与细胞比例呈负相关。 

3e3b0f42708dc31d2a271baf57bbf39b.png

图5. NetBio再现免疫微环境。来源:Nature Communications

研究团队使用了不同的免疫表型,并将其与趋化和吞噬通路的表达水平进行了比较。经验证,在PD-L1治疗的膀胱癌队列中,趋化和吞噬相关通路与免疫浸润相关,NetBio揭示了与免疫治疗反应相关的免疫微环境通路。同时,将NetBio与ML模型的肿瘤突变负荷(TMB)相结合可以提高PD-L1单抗治疗膀胱癌患者的总体生存预测能力。 

96febbd15175991f73de1b89ca7b6c14.png

图6. NetBio可优化膀胱癌患者的总体生存预测。来源:Nature Communications

结 语

综上所述,该研究团队测试了基于网络的生物标志物能否对免疫治疗做出稳健的预测。结果显示,基于NetBio的ML表现出一致的优良预测性能,并且优于纯数据驱动方法识别的特征。利用PPI网络的确能够增加对稳健生物标志物的检测。这一研究有助于提前发现对免疫治疗有反应的患者,并制定个性化治疗计划,让更多的患者受益于癌症免疫疗法。

参考文献:

1. JungHo Kong et al, Network-based machine learning approach to predict immunotherapy response in cancer patients, Nature Communications (2022).

2. Havel, J. J., Chowell, D. & Chan, T. A. The evolving landscape of biomarkers for checkpoint inhibitor immunotherapy. Nat. Rev. Cancer 19, 133–150 (2019).

3. Lakatos, E. et al. Evolutionary dynamics of neoantigens in growing tumors. Nat. Genet. 52, 1057–1066 (2020).

·END ·

往期精品(点击图片直达文字对应教程)

167007084a8794f19d8287a0d85a677c.jpeg

8e9175b191257b5787d9c9cda66d3c8e.jpeg

09317d125880cbfa061437a28435c599.jpeg

a5a52afc65e97b54e24a1bc793dea0f0.jpeg

98deb7fe9580c846c264017e6207cd4b.jpeg

6b8e348cc5815d5c29502e6ef97669ef.jpeg

82016719ba7188fa0650601ab44c2e3f.jpeg

812ab44fe0be7f6507ab9f929265bf7a.jpeg

e57b35ff51dd71a691f7beb07ea77b54.jpeg

c7c3db5792513db1c6ac4e36946cc9ef.jpeg

2cfa3d8d4f84c816e7635ffd9dd6e289.jpeg

367661ee083a87b6f21d3d6ef51548e3.jpeg

c2c70a8c47ec05a176cce83d8e3b31f5.png

aac44c66deab1b75d5a0e1d4d537c423.png

acb1dd9a7c4f459313904dd7ea89a555.png

1e2af65d687d263dbd72631bc9e04cbf.png

f6bb186661fa72b2f3ebacfaa1b19502.jpeg

b610a456025dedd8a0526dfad6d7deb6.jpeg

47f80b18b17ed6011dd1675a6c6604fb.jpeg

27de7ed95dff698a3ed886806cd8fbae.jpeg

3cf5f5bee0e097b11b9fc57aad2c1090.png

b6043f98ad48b30eda29b3a0a1b8f388.png

55675d1ab15566a9dfa433ca0d462e3c.jpeg

089bac28f73bfa21237a5a23d9750d93.png

44fe51a3d77558de5dc73db787a22073.png

2e0d1798cd0a4f48abab5a3119498090.jpeg

610770c93d8466025b39c2b8538f37e4.png

99a77c2a75f9660e01e92dfd0dd65d3c.png

机器学习

后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集

c720017ff60d44e67165877ff36cf830.jpeg

d572db4b3a145651b45c7b40144f0621.jpeg

25057625d531703860c6f0cc82cbb7f7.png


这篇关于Nat Commun | 性能优于传统生物标志物!基于网络生物学的机器学习方法可准确预测癌症患者免疫治疗反应...的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/705144

相关文章

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

Windows 上如果忘记了 MySQL 密码 重置密码的两种方法

《Windows上如果忘记了MySQL密码重置密码的两种方法》:本文主要介绍Windows上如果忘记了MySQL密码重置密码的两种方法,本文通过两种方法结合实例代码给大家介绍的非常详细,感... 目录方法 1:以跳过权限验证模式启动 mysql 并重置密码方法 2:使用 my.ini 文件的临时配置在 Wi

MySQL重复数据处理的七种高效方法

《MySQL重复数据处理的七种高效方法》你是不是也曾遇到过这样的烦恼:明明系统测试时一切正常,上线后却频频出现重复数据,大批量导数据时,总有那么几条不听话的记录导致整个事务莫名回滚,今天,我就跟大家分... 目录1. 重复数据插入问题分析1.1 问题本质1.2 常见场景图2. 基础解决方案:使用异常捕获3.

最详细安装 PostgreSQL方法及常见问题解决

《最详细安装PostgreSQL方法及常见问题解决》:本文主要介绍最详细安装PostgreSQL方法及常见问题解决,介绍了在Windows系统上安装PostgreSQL及Linux系统上安装Po... 目录一、在 Windows 系统上安装 PostgreSQL1. 下载 PostgreSQL 安装包2.

SQL中redo log 刷⼊磁盘的常见方法

《SQL中redolog刷⼊磁盘的常见方法》本文主要介绍了SQL中redolog刷⼊磁盘的常见方法,将redolog刷入磁盘的方法确保了数据的持久性和一致性,下面就来具体介绍一下,感兴趣的可以了解... 目录Redo Log 刷入磁盘的方法Redo Log 刷入磁盘的过程代码示例(伪代码)在数据库系统中,r

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Java中Switch Case多个条件处理方法举例

《Java中SwitchCase多个条件处理方法举例》Java中switch语句用于根据变量值执行不同代码块,适用于多个条件的处理,:本文主要介绍Java中SwitchCase多个条件处理的相... 目录前言基本语法处理多个条件示例1:合并相同代码的多个case示例2:通过字符串合并多个case进阶用法使用

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》:本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法,简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局,详细内容请阅读本文,希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的