检索结果-内蒙古大学图书馆

遗传 2024年第10期46卷 820-832页

作者：章子怡王棨临张俊有段迎迎刘家欣刘赵硕李春燕北京航空航天大学医学科学与工程学院北京100191 北京航空航天大学生物与医学工程学院北京100191 北京航空航天大学工业和信息化部大数据精准医疗重点实验室北京100191 北京航空航天大学大数据精准医疗高精尖创新中心北京100191

乳腺癌的高度异质性导致其治疗及预后评估较为复杂。治疗方案的选择受到肿瘤亚型、病变分级、基因型等多种因素的影响,因此需要制定个体化治疗策略。患者的预后效果因病情不同而产生显著差异。作为人工智能的一个重要分支,机器学习能高... 详细信息

乳腺癌的高度异质性导致其治疗及预后评估较为复杂。治疗方案的选择受到肿瘤亚型、病变分级、基因型等多种因素的影响,因此需要制定个体化治疗策略。患者的预后效果因病情不同而产生显著差异。作为人工智能的一个重要分支,机器学习能高效处理海量数据,并实现决策过程的自动化。机器学习方法的引入将为乳腺癌治疗的选择和预后评估提供新的解决方案。在癌症治疗领域,传统方法预测生存与治疗效果往往依赖于单一或少量的生物标志物,难以全面捕捉复杂的生物学过程。机器学习通过分析患者的多组学数据以及它们在疾病发生发展过程中复杂的变化趋势,预测患者的生存和治疗响应效果,从而选择适合的治疗措施,实施早期干预,改善患者的治疗效果。本文首先介绍了常用的机器学习方法,在此基础上分别从评估生存情况和预测治疗效果这两方面展开,详细分析了机器学习在乳腺癌患者生存预测及预后领域中的应用,以期为乳腺癌患者提供精准医疗治疗策略,提高治疗效果和生存质量。

关键词：乳腺癌机器学习多组学数据整合分析生存预测治疗响应

来源：评论

学校读者我要写书评

暂无评论

基于AI的多组学数据分析方法在药物设计中的应用

基于AI的多组学数据分析方法在药物设计中的应用

引用

作者：黄子铭中国科学院大学(中国科学院上海药物研究所)

学位级别：硕士

伴随着高通量测序技术的发展,大量的组学数据被积累起来。如何从生物组学大数据中挖掘有价值的信息并应用于医学和药学领域是目前组学数据分析的重大挑战。面对高度复杂、维度惊人的生物学数据,越来越多的人工智能方法被应用于组学数据... 详细信息

伴随着高通量测序技术的发展,大量的组学数据被积累起来。如何从生物组学大数据中挖掘有价值的信息并应用于医学和药学领域是目前组学数据分析的重大挑战。面对高度复杂、维度惊人的生物学数据,越来越多的人工智能方法被应用于组学数据分析。本论文的研究工作主要针对基于AI的多组学数据分析方法在药物设计中的应用进行研究,包括搭建基于深度学习的miRNA靶向基因预测模型（第2章）和免疫检查点抑制剂的药物响应预测以及相应生物标志物的发现（第3章）。miRNA在人体内发挥着重要的作用。它是基因组层面区分人类与其他生物的重要生物分子。目前有很多miRNA分子被用作药物靶点、分子治疗方案、疾病的生物学标志物。而miRNA发挥生物学作用的重要前提就是与其靶向基因的结合,所以准确预测miRNA靶点基因对miRNA相关药物治疗、疾病预防、医学转化领域产生巨大的影响。目前预测miRNA靶向基因的方法或受限于人工筛选的特征而无法搜索基于非经典规则结合的潜在位点,或由于类不平衡的数据库导致模型容易过拟合。所以,如何在预测miRNA靶向基因的问题中搭建能够自动学习规范和非规范的miRNA-m RNA结合模式,并解决模型过拟合问题的方法是一项艰难的任务。在第2章中,我们建立了基于CNN、Transformer的混合模型并将其应用于miRNA靶向基因的预测。新的模型能够预测miRNA靶向的m RNA,同时还可以预测靶向m RNA上的具体位点。与现有的基于人工筛选特征和基于深度学习的两类模型进行比较发现,新的模型效果预测效果最好（Accuracy=0.823,Specificity=0.810）,远超基线模型（miRAW;Accuracy=0.688,Specificity=0.471）。同时,新的模型缓解了深度模型训练时过拟合的问题。随后,我们通过消融试验分析了模型有效性的原因,结果发现混合模型结构比单一模型结构预测效果更好,且模型在预测大部分样本时只利用miRNA的序列信息。此外通过hsa-miR-552靶向FXR2的案例分析,我们认为基于人工提取的特征无法在未知m RNA的序列中筛选出真实结合的位点。而通过诱饵（decoy）实验发现,新的模型可以识别出一组序列中包含的真实结合位点。总之,本研究为深度学习模型处理生物序列信息提供了帮助和参考,并通过全新的模型架构解决了miRNA靶基因预测任务中的两个重要问题。免疫检查点治疗是目前最常用的免疫治疗方案,被广泛用于多种类型肿瘤的治疗中。它可以与治疗癌症的物理疗法、化学疗发、靶向治疗产生协同作用,使得癌症病人的生存期有了明显的提高。此外,免疫治疗还具有作用时间长、不良反应/毒性小的优点。虽然它在临床中取得巨大成功,但是其治疗效果具有重大的缺陷,即个体差异项。有研究报道,大概只有20%的癌症患者能够从免疫检查点抑制剂的治疗中受益。如何寻找并扩大受益人群是免疫检查点治疗现阶段面临的重大问题。现有免疫检查点抑制剂响应预测的研究,往往在小样本里利用统计学分析中得出结论,并利用单个生物学标志物做出判断,忽略了潜在标志物之间的内部关联性。通过整合多组学数据,我们在第3章的研究中系统地构建机器学习模型来预测药物响应并发现相关生物标志物。我们整理了来自i Atlas数据库和不同临床学文章中相关记载的数据,从而收集到了281个病人样本及这些病人的人口统计学（性别与年龄）,转录组学、免疫组学以及临床随访病历数据。在数据处理阶段,我们通过GSEA数据库和已发表相关文献里的记载将18417个基因特征进行过滤,最终得到了1419个与免疫检查点治疗高度相关的基因特征。随后,我们利用随机森林模型对数据建模,并预测了病人的长期临床受益情况。在外部验证集中,模型表现（AUCROC=0.850）高于基准方法（TIDE,AUCROC=0.763）。建立模型后,通过随机森林模型特有的结构对输入特征的贡献度进行排序,发现了关键的基因特征:CLEC4A、P2RY6、FBXL5、PCMTD1和IFITM10。最后,通过基因富集分析发现,关键基因特征主要富集在结核病的免疫反应、铁离子结合、内源性细胞膜的组成的通路当中。在本项研究当中,我们发现通过利用多组学数据可以提高药物响应预测模型的可解释性,并从中找到关键的生物学标志物。此外,我们还针对复杂高维组学数据的处理方法进行了探索。总结一下,论文围绕利用AI技术助力多组学数据分析方法在药物设计中的方法和应用展开研究,包括miRNA靶向基因预测和免疫检查点抑制剂的药物响应预测两个科研项目。针对第一个项目,我们建立了目前准确度最高的深度学习模型,并解决了其他模型因为类不衡样本导致的假阳性过高的问题。在第二个项目中,我们从文献和数据库中收集了281个接受免疫治疗的病人样本,然后基于人口统计学、组学、临床数据特征建立了能够超过基准模型的

关键词：多组学数据整合分析 miRNA靶向基因深度学习免疫检查点抑制剂药物响应预测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：