Determining Positive Cancer Rescue Mutations in p53 Based Cancers by using Artificial Intelligence
DNA中蛋白质编码基因的突变可以改变由同一基因编码的蛋白质结构。结构改变的蛋白质通常会失去它们的功能,有时会获得不需要的功能。这些类型的突变及其影响可能导致遗传疾病或抗生素耐药性细菌,以及其他健康问题。重要的治疗方法已经开发出来,用于检测艾滋病和遗传病的突变。另一个例子是流感病毒。为对抗流感而开发的疫苗在第二年不起作用的原因是(a)其DNA的突变和(b)病毒突变后的爆发,特别是如果它是一种逃避疫苗接种目标的病毒。由于这些原因,提前知道蛋白质中潜在突变的位置以及它可能引起的医学问题是非常重要的。在这项研究中,我们使用了人工神经网络,这是最新的人工智能技术之一,以确定癌症突变的影响。与其他方法相比,我们开发的模型给出了更成功的结果。我们预见,我们的模式将为医学研究和医疗行业带来新的层面。
2017-08-28 q-bio.QM
MS-ConTab: Multi-Scale Contrastive Learning of Mutation Signatures for Pan Cancer Representation and Stratification
Ohio State University(俄亥俄州立大学);James Comprehensive Cancer Center(詹姆斯综合癌症中心)
提出 MS-ConTab 无监督多尺度对比学习框架,利用基因与染色体双视图突变特征表征 43 种癌症,实现具有生物学一致性的队列层面泛癌聚类。
2025-08-26 cs.LG q-bio.QM
Genetic progression and the waiting time to cancer
癌症是由于基因改变干扰了细胞的正常合作行为而引起的。最近对癌细胞的高通量基因组研究表明,癌症的突变景观是复杂的,个体癌症可能通过多达20种不同癌症相关基因的突变而演变。我们使用Sjoblom等人(2006)发表的数据,为结直肠癌的体细胞演变开发了一个新的数学模型。我们采用Wright-Fisher过程来探索这个进化过程的基本参数,并推导出癌症表型的预期等待时间的解析近似。我们的研究结果突出了选择在风险细胞群体的大小和突变率上的相对重要性。该模型预测,如果每个突变的平均选择优势在1%的量级上,则在正常突变率下可以出现观察到的癌症基因组的遗传多样性〈动〉<动>。由于遗传不稳定性而增加的突变率在肿瘤发生期间允许甚至更小的选择性优势。因此,癌症进展的复杂性可以理解为多个连续突变的结果,每个突变对净细胞生长具有相对较小但积极的影响。
2007-07-25 q-bio.PE q-bio.QM
A comprehensive comparison of tools for fitting mutational signatures
本文针对已知突变特征拟合工具缺乏系统基准的问题,评估十二款工具在八种癌症类型合成及真实突变目录上的表现,给出不同突变负荷下的最佳选择并指出参考特征约束与缺失特征的影响。
2024-12-06 q-bio.GN q-bio.QM
Finding Mutated Subnetworks Associated with Survival in Cancer
下一代测序技术允许测量来自相同癌症类型的大量患者的体细胞突变。分析这些突变的主要目标之一是鉴定与临床参数(如生存时间)相关的突变。这一目标受到癌症突变的遗传异质性的阻碍,因为基因和突变在通路的背景下起作用。因此,为了确定与生存时间相关的突变,在相互作用网络的背景下研究突变至关重要。在这项工作中,我们研究的问题,确定一个大的基因-基因相互作用网络,与生存相关的突变的子网络。我们正式定义了相关的计算问题,使用分数的子网络的对数秩检验,广泛使用的统计测试比较两个群体的生存的测试统计量的基础上。我们表明,计算问题是NP-难的,我们提出了一种新的算法,称为网络的突变与生存(NoMAS),来解决它。NoMAS是基于颜色编码技术,以前已在其他应用程序中使用,以找到最高得分的子网络具有高概率时,子网络的分数是加性的。在我们的情况下,分数不是加性的;尽管如此,我们证明了在癌症突变的合理模型下,NoMAS确实以高概率确定了最佳解决方案。我们在模拟和癌症数据上测试NoMAS,将其与基于单基因测试的方法和各种贪婪方法进行比较。我们表明,我们的方法确实找到了最优解,并且比其他方法表现得更好。此外,在两个癌症数据集上,我们的方法识别出与生存率显著相关的子网络,而当孤立地考虑时,没有一个基因与生存率显著相关。
2016-09-10 q-bio.QM
Network-based Distance Metric with Application to Discover Disease Subtypes in Cancer
虽然我们曾经认为癌症是影响特定器官部位的单一整体疾病,但我们现在了解到,有许多癌症亚型由独特的基因突变模式定义。这些基因突变数据比基因表达数据更可靠,有助于确定亚型如何发展、进化和对治疗的反应。与大多数现有癌症亚型发现算法使用的密集连续值基因表达数据不同,体细胞突变数据是极其稀疏和异质的,因为在20,000个人类蛋白质编码基因中,离散值1/0的突变基因不到0.5%,并且相同的突变基因很少被癌症患者共享。我们的重点是使用无监督学习从离散的1和0值中极其稀疏和高维的基因突变数据中搜索癌症亚型。我们提出了一种新的基于网络的距离度量。我们将癌症患者的突变谱投影到他们的基因网络结构中,并使用网络中患者的基因之间和基因顶点之间的相似性来测量两个患者之间的距离。在合成数据和真实数据中的实验结果表明,我们的方法在癌症亚型发现方面优于顶级竞争对手。此外,我们的方法可以识别其他聚类算法在真实癌症数据中无法检测到的癌症亚型。
2017-03-01 cs.IR q-bio.GN q-bio.MN
A Pan-Cancer and Polygenic Bayesian Hierarchical Model for the Effect of Somatic Mutations on Survival
我们基于50个基因和27种癌症类型的患者的体细胞突变谱建立了一种新的贝叶斯分层生存模型。泛癌症质量允许模型“借用”跨癌症类型的信息,其动机是假设相似的突变谱可能对不同起源组织或肿瘤类型的生存具有相似(但不一定相同)的影响。每个基因突变的影响被允许因癌症类型而异,而每个基因的平均影响在癌症中共享。在这个框架内,我们考虑了四个参数生存模型(正态、对数正态、指数和Weibull),并通过交叉验证方法比较了它们的性能,在交叉验证方法中,我们在训练数据上拟合每个模型,并在测试数据上估计对数后验预测似然。对数正态模型给出了最佳拟合,我们通过正向选择程序研究了每个基因对生存的部分影响。通过这一点,我们确定TP53和FAT4的突变对预测患者生存率最有用。我们通过仿真验证了模型,以确保我们的后验计算算法给出了标称覆盖率。用于此分析的代码可在http://github.com/sarahsamorodnitsky/Pan-Cancer-Survival-Modeling上找到,结果可在http://ericfrazerlock.com/surv_figs/SurvivalDisplay.html上找到。
2019-10-08 q-bio.QM stat.AP
Modeling Age-Dependent Radiation-Induced Second Cancer Risks and Estimation of Mutation Rate: An Evolutionary Approach
尽管癌症患者的存活率由于抗癌疗法的进步而显著增加,但是这些疗法(特别是放射疗法)的主要副作用之一是放射诱导的继发性恶性肿瘤的潜在表现。在这项工作中,一种新的进化随机模型,耦合短期形式主义(在放疗期间)和长期形式主义(治疗后)。该框架用于估计作为正常和癌前细胞的自发背景和辐射诱导的突变率的函数的第二癌症的风险。通过将模型拟合到自发背景风险的可用临床数据以及霍奇金淋巴瘤存活者的数据(对于各种器官),估计第二癌症突变率。该模型预测某些癌症类型的突变率会显著增加,这可能是基因组不稳定性的标志。最后,它表明,该模型的结果与测量结果的超额相对风险(ERR)作为暴露年龄的函数,该模型预测的ERR与达到年龄的增加呈负相关。这种新的方法可用于分析目前临床实践中的几种放疗方案,并预测个体患者随时间的第二次癌症风险。
2014-11-05 q-bio.QM q-bio.TO
A new correlation clustering method for cancer mutation analysis
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Carnegie Mellon University(卡内基梅隆大学)
癌症基因组表现出大量不同的改变,以不同的方式影响许多基因。人们普遍认为,这些改变遵循与潜在的分子相互作用网络和功能途径有很强联系的组合模式。更好地理解突变规则背后的生成机制及其对基因群落的影响对于发现驱动突变的过程以及识别与癌症发展和进展相关的网络模块具有重要意义。我们开发了一种新的方法,癌症突变模式分析的基础上的约束形式的相关聚类。相关聚类是一种不可知的学习方法,可用于一般的社区发现问题,其中社区的数量或其结构是事先不知道的。由此产生的算法,命名为$C^3$,利用突变,患者覆盖范围和驱动网络浓度原则的互斥性;它接受用户确定的异质患者数据的组合作为其输入,例如可从TCGA获得的数据(包括突变,拷贝数和基因表达信息),并创建大量的簇,其中包含特定类型癌症中互斥的突变基因。簇大小可能需要服从一些有用的软大小约束,而不影响算法的计算复杂性。为了测试$C^3$,我们对TCGA乳腺癌和胶质母细胞瘤数据进行了详细分析,并表明我们的算法在发现互斥基因模块和识别驱动基因方面优于最先进的CoMEt方法。我们的$C^3$方法代表了一种独特的工具,可用于在大规模癌症基因组学研究中有效可靠地识别突变模式和驱动途径。
2016-01-25 cs.LG q-bio.QM
EGFR mutation prediction using F18-FDG PET-CT based radiomics features in non-small cell lung cancer
Clínica Santa María(圣玛丽亚诊所);Universidad de los Andes(洛斯安第斯大学)
肺癌是世界上癌症死亡的主要原因。EGFR(表皮生长因子受体)突变状态的准确测定与该患者的适当治疗高度相关。目的:本研究的目的是使用从PET-CT图像中提取的放射组学特征预测非小细胞肺癌患者中EGFR的突变状态。方法:回顾性分析34例经组织学和EGFR突变检测证实的肺癌患者的临床资料。使用pyradiomics库从PET-CT图像的手动分割中提取总共2.205个放射组学特征。计算机断层扫描和正电子发射断层扫描图像。所有图像均经静脉碘化造影剂和F18-FDG采集。预处理包括像素强度的重采样、归一化和离散化。三种方法用于特征选择过程:向后选择(集合1),向前选择(集合2),和随机森林模型的特征重要性分析(集合3)。九种机器学习方法用于放射组学模型的建立。结果:35.2%的患者存在EGFR突变,在年龄、性别、肿瘤大小、SUVmax等方面差异无统计学意义。在特征选择过程之后,在每组中分别选择6、7和17个放射组学特征。最佳性能通过组1中的岭回归获得:AUC为0.826(95% CI,0.811 - 0.839),组2中的随机森林获得:AUC为0.823(95% CI,0.808 - 0.838),组3中的神经网络获得:AUC为0.821(95% CI,0.808 - 0.835)。结论:放射组学特征分析具有通过非侵入性方法预测肺癌患者的临床相关突变的潜力。
2023-03-14 cs.AI cs.LG q-bio.QM
A Novel Recurrent Neural Network Framework for Prediction and Treatment of Oncogenic Mutation Progression
Massachusetts Institute of Technology(麻省理工学院);Stanford University School of Medicine(斯坦福大学医学院)
本研究提出一种结合时间序列机器学习与通路分析的端到端AI框架,利用TCGA数据和RNN模型预测癌症严重程度与突变进展并推荐治疗,准确率超60%,为癌症诊疗提供了高效低成本的替代方案。
2025-09-16 cs.CL cs.LG q-bio.QM
OncoScore: a novel, Internet-based tool to assess the oncogenic potential of genes
癌症突变的复杂、不断演变的景观对在NGS实验中通常产生的大量突变中识别癌症基因构成了巨大的挑战。因此,优先考虑这些变量的能力至关重要。为了解决这个问题,我们开发了OncoScore,这是一种文本挖掘工具,根据现有的生物医学文献,根据基因与癌症的关联对基因进行排名。人工管理数据集上的受试者工作特征曲线和曲线下面积(AUC)指标证实了OncoScore的出色区分能力(OncoScore截止阈值= 21.09; AUC = 90.3%,95%CI:88.1-92.5%),表明OncoScore在需要有效优先排序癌症相关基因的情况下提供了有用的结果。
2017-04-07 q-bio.GN q-bio.QM
Mapping of Lesion Images to Somatic Mutations
University of Illinois at Chicago(伊利诺伊大学香槟分校);University of Texas MD Anderson Cancer Center(德克萨斯大学MD安德森癌症中心)
本文提出LLOST模型,通过点云表示和共享潜在空间,将医学影像与体细胞突变数据关联,以预测突变特征和癌症类型。
2025-12-01 cs.CV q-bio.QM
Morpho-Genomic Deep Learning for Ovarian Cancer Subtype and Gene Mutation Prediction from Histopathology
Department of Periodontics and Endodontics, Department of Oral Biology, State University of New York (SUNY) at Buffalo(牙科医学系与口腔生物学系,纽约州立大学(SUNY)布法罗分校)
本研究提出一种融合细胞核形态计量与ResNet-50和ViT的混合深度学习流程,直接从H&E图像预测卵巢癌亚型及TP53、BRCA1、ARID1A等基因突变,验证了组织学表型可编码基因组信号。
2025-11-05 cs.CV eess.IV q-bio.QM
A Hybrid Machine Learning Model for Classifying Gene Mutations in Cancer using LSTM, BiLSTM, CNN, GRU, and GloVe
Maharishi International University(玛赫西国际大学);Luther College(路德学院);Al-Balqa Applied University(巴尔卡应用大学);Skyline University College(天际线大学学院);Sultan Qaboos University(苏丹卡布斯大学)
本文提出融合 LSTM、BiLSTM、CNN、GRU 与 GloVe 的混合集成模型,用于癌症基因突变分类,并在 Kaggle 数据集上取得优于 transformer 及其集成的表现。
2024-05-20 cs.AI cs.CL cs.LG
FANCA: In-Silico deleterious mutation analysis for early prediction of leukemia
FANCA是Fanconi贫血互补群(Fanconi anemia complementation group,FANC)家族中的一种新的生物标志物,是白血病的抗原。FANCA的过度表达预测了世界上第二大常见癌症,它是癌症相关死亡的原因。非同义SNP是导致编码多肽改变的一组必需的SNP。基因产物的氨基酸序列的改变导致白血病。首先,我们研究了FANCA编码区中的单个SNP和计算工具,如PROVEAN,PolyPhen 2,MuPro和PANTHER,以计算有害突变评分。使用I-TASSER进行三维结构和功能预测。此外,使用GlaxyWeb工具对预测的结构进行了细化。在这项研究中,蛋白质组数据已从UniProtKB检索。数据集的编码区包含100个非同义单核苷酸多态性(nsSNP),并且24个错义SNP已被所有分析确定为有害的。在这项工作中,使用了六种众所周知的计算工具来研究白血病相关的nsSNP。推测这些nsSNPs可能在FANCA的上调中发挥作用,这进一步导致引发白血病进展。目前的研究将有利于研究人员和从业人员处理与FANCA相关的癌症相关疾病。拟议的研究还将有助于在药物发现领域发展精准医学。
2021-10-29 q-bio.QM
WeSME: Uncovering Mutual Exclusivity of Cancer Drivers and Beyond
互斥性是许多癌症驱动因素的一个广泛认可的属性。关于这些关系的知识可以为癌症驱动因素,癌症驱动途径和癌症亚型提供重要的见解。它还可用于预测癌症驱动基因之间的新功能相互作用,并发现新的癌症驱动因素。目前,大多数互斥分析都集中在有限的基因集上,部分原因是严格计算p值所需的计算成本。为了降低计算成本和执行较少限制的互斥分析,我们开发了一种有效的方法来估计p值,同时控制个体患者和基因的突变率,类似于排列检验。一个全面的互斥分析使我们能够发现互斥对,其中一些可能具有相对较低的突变率。这些对通常包括在以前的分析中遗漏的可能的癌症驱动因素。更重要的是,我们的研究结果表明,互斥性还可以提供超越癌症驱动因素之间相互作用的信息,例如,可以阐明不同癌症组中的不同诱变过程。特别是,在我们的分析中包括经常突变的长基因,如TTN,使我们能够观察到乳腺癌中APOBEC活性的有趣模式,并确定一组高度预测患者生存的相关驱动基因。此外,我们利用我们的互斥性分析来支持先前提出的模型,其中APOBEC活性是导致乳腺癌病例子集中TP53突变的潜在过程。
2016-04-07 cs.CE q-bio.QM
Bayesian Non-Negative Matrix Factorization with Correlated Mutation Type Probabilities for Mutational Signatures
本文针对传统贝叶斯NMF假设突变特征矩阵中突变类型独立的问题,提出利用多元截断正态先验和分层模型来建模并学习突变类型间的协方差结构,显著提升了小样本下的准确性与收敛速度,为跨突变类型依赖性研究奠定基础。
2025-06-28 q-bio.QM stat.ME
Concurrence Topology of Some Cancer Genomics Data
应用拓扑数据分析方法“并发拓扑”对胶质母细胞瘤数据中69个基因的突变频率进行了分析。在维度1中,发现了一些明显的“互斥性”,通过模拟具有与数据中发现的近似相同的二阶依赖结构的数据,看起来一个三重突变,PTEN,RB 1,TP 53,表现出依赖于三阶依赖的特殊特征的互斥性,并且可以反映更大的基因组之间的全局依赖性。自助法分析表明,这种形式的相互排斥在数据来源的人群中并不罕见。
2017-09-06 q-bio.QM stat.AP
Point Mutations Effects on Charge Transport Properties of the Tumor-Suppressor Gene p53
我们报告的肿瘤抑制基因p53的DNA序列的电荷转移特性的点突变效应的理论研究。基于有效的单链或双链紧结合模型,模拟空穴沿DNA的传播,与所有可能的点突变的电荷传输调制的统计分析进行。我们发现,与非癌性突变相反,突变热点往往导致显著较弱的{ \em传输特性变化}。这表明,电荷传输可以发挥重要作用的DNA修复缺陷产生的致癌作用。
2007-08-23 cond-mat.soft q-bio.GN q-bio.QM
Optimize Deep Learning Models for Prediction of Gene Mutations Using Unsupervised Clustering
University of Science and Technology of China(中国科学技术大学);The Fourth Affiliated Hospital of Anhui Medical University(安徽医科大学第四附属医院);Genmab Inc.(Genmab公司)
深度学习已成为分析和解释全切片数字病理学图像(WSIs)的主流方法选择。通常假设肿瘤区域携带大多数预测信息。在本文中,我们提出了一种基于无监督聚类的多示例学习,并将我们的方法应用于开发深度学习模型,用于使用癌症基因组图谱(TCGA)研究(CRC,LUAD和HNSCC)中三种癌症类型的WSI预测基因突变。我们表明,图像块的无监督聚类可以帮助识别预测块,排除缺乏预测信息的块,从而改善对所有三种不同癌症类型的基因突变的预测,与基于WSI的方法相比,没有选择图像块和模型仅基于肿瘤区域。此外,我们提出的算法优于两个最近发表的基线算法,利用无监督聚类来帮助模型预测。用于突变预测的基于无监督聚类的方法允许通过解析的概率得分来识别与特定基因突变相关的空间区域,突出肿瘤微环境中预测基因型的异质性。最后,我们的研究还表明,选择WSI的肿瘤区域并不总是识别用于预测基因突变的补丁的最佳方式,肿瘤微环境中的其他组织类型可能比肿瘤组织提供更好的基因突变预测能力。
2022-04-24 cs.AI cs.CV cs.LG
Comprehensive and user-analytics-friendly cancer patient database for physicians and researchers
本文提出一个整合基因突变、糖组学、半乳凝素谱及临床生活方式数据的交互式癌症患者数据库,帮助医生和研究人员发现分子特征并提升个体化诊疗能力。
2023-02-01 cs.CY q-bio.QM
Proteomics Analysis of FLT3-ITD Mutation in Acute Myeloid Leukemia Using Deep Learning Neural Network
University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心)
深度学习可以显著有益于癌症蛋白质组学和基因组学。在这项研究中,我们试图确定一组与新诊断的急性髓性白血病患者FLT 3-ITD突变相关的关键蛋白质。一种深度学习网络,由形成分层模型的自动编码器组成,从该模型中提取高级特征,而无需标记训练数据。降维将关键蛋白质的数量从231减少到20。深度学习发现FLT 3-ITD突变与这20种关键蛋白质的水平之间存在良好的相关性(准确性97%,灵敏度90%,特异性100%)。我们的深度学习网络可以研究20种与FLT 3-ITD相关性最强的蛋白质。这项研究的结果允许一种新的方法来确定FLT 3-ITD突变中的关键蛋白质通路,并为癌症蛋白质组学和基因组学中大数据建模的准确方法提供概念验证。
2017-12-29 cs.LG q-bio.QM stat.ML
Using somatic mutation data to test tumors for clonal relatedness
癌症病理学家面临的一个主要挑战是确定癌症患者的新肿瘤是转移还是疾病的独立发生。近年来,许多研究评估了成对的肿瘤标本,以检查肿瘤的体细胞特征的相似性,并测试克隆相关性。随着突变检测的发展,已经开发了许多用于确定克隆性的统计方法,特别是用于比较候选标记处的杂合性损失和用于比较拷贝数概况。越来越多的肿瘤正在使用基因测序技术评估候选基因组中的点突变。比较成对肿瘤的突变谱提出了不寻常的方法学挑战:某些位点的突变比其他位点更常见;对于可能发生突变的大多数位点,边缘突变概率的知识很少;潜在突变谱的样本空间很大。我们研究这个问题,并提出了一个测试的克隆相关性的一对肿瘤从一个单一的病人。使用模拟,其性能被证明是有前途的。该方法说明了使用几个例子从文献中。
2015-11-17 q-bio.QM stat.AP
Multi-Phase Cross-modal Learning for Noninvasive Gene Mutation Prediction in Hepatocellular Carcinoma
Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局资讯通信研究院);National University of Singapore(新加坡国立大学);Singapore General Hospital(新加坡中央医院);National Cancer Centre(新加坡国立癌症中心)
肝细胞癌(HCC)是最常见的原发性肝癌类型,也是全球癌症相关死亡的第四大常见原因。了解HCC中潜在的基因突变为治疗计划和靶向治疗提供了巨大的预后价值。放射基因组学揭示了非侵入性成像特征和分子基因组学之间的关联。然而,成像特征识别是费力且容易出错的。在本文中,我们提出了一个端到端的深度学习框架,用于使用多相CT扫描预测APOB,COL11A1和ATRX基因的突变。考虑到肝癌的肿瘤内异质性(ITH),多区域采样技术被实现以生成用于实验的数据集。实验结果证明了该模型的有效性。
2020-05-08 cs.CV eess.IV q-bio.GN
Hierarchical tissue organization as a general mechanism to limit the accumulation of somatic mutations
组织如何产生大量的细胞,同时保持分裂负荷(沿着细胞谱系的分裂次数)较低,以减少体细胞突变的积累并降低患癌症的风险?为了回答这个问题,我们考虑一个一般模型的分层组织的自我更新组织,并表明,这样的组织的寿命划分负荷是独立的细节的细胞分化过程,并只取决于两个结构和两个动力学参数。我们的研究结果表明,一个严格的分析关系存在于两个看似不同的自我更新组织的特点:分区负荷和组织的组织。最值得注意的是,我们发现足够数量的逐渐缓慢分裂的细胞类型在最小化分裂负荷方面几乎与非更新组织一样有效。我们认为,组织特异性干细胞和分化层次的主要功能之一是预防癌症。
2017-01-04 q-bio.PE q-bio.QM q-bio.TO
A Network-Structured Bayesian Hierarchical Model for Sparse Mutation-Drug Response Associations: Application to Cancer Pharmacogenomics
University of Ibadan(伊巴丹大学);Worcester Polytechnic Institute(伍斯特理工学院)
提出网络结构贝叶斯层次模型,结合GMRF与马蹄形先验及共轭吉布斯采样,在癌症药物基因组学中识别稀疏、可解释且外部支持的基因-药物敏感性关联,并支持组织特异性分析。
2026-09-09 q-bio.GN q-bio.QM stat.AP
An agent-based modelling framework to study growth mechanisms in EGFR-L858R mutant alveolar type II cells
本文结合小鼠肺泡 II 型类器官实验与格点智能体模拟,揭示 EGFR-L858R 通过表面细胞集中分裂导致出芽扩张,并指出空间环境影响其肿瘤发生风险。
2024-03-11 q-bio.CB q-bio.QM
Spatial-And-Context aware (SpACe) "virtual biopsy" radiogenomic maps to target tumor mutational status on structural MRI
Case Western Reserve University(凯斯西储大学);Cleveland Clinic(克利夫兰诊所)
随着对个性化癌症治疗的日益重视,放射基因组学在常规成像(即MRI)扫描中识别靶肿瘤突变状态方面显示出了希望。这些方法分为两类:(1)深度学习/放射组学(基于上下文),使用来自整个肿瘤的图像特征来识别基因突变状态,或(2)基于图谱(空间)的方法,根据群体统计获得基因突变状态的可能性。虽然许多基因(即EGFR、MGMT)是空间变异的,但在成像上可靠评估基因突变状态的一个重大挑战是缺乏用于训练模型的可用共定位基础事实。我们提出了空间和上下文感知(SpACe)的“虚拟活检”地图,结合上下文功能,从共定位活检部位以及空间先验的人口地图集,在最小绝对收缩和选择算子(LASSO)回归模型,以获得每体素概率的突变状态的存在(M+与M-)。然后,我们使用概率成对马尔可夫模型,以提高体素的预测概率。我们评估了SpACe图在MRI扫描上的有效性,并从相应的活检中获得了共定位的基础事实,以预测胶质母细胞瘤中2个驱动基因的突变状态:(1)EGFR(n=91)和(2)MGMT(n=81)。与深度学习(DL)和放射组学模型相比,SpACe地图在识别EGFR扩增状态方面的训练和测试准确率分别为90%(n=71)和90.48%(n=21),而放射组学为80%和71.4%,DL为74.28%和65.5%。对于MGMT状态,使用SpACe的训练和测试准确率分别为88.3%(n=61)和71.5%(n=20),而使用放射…
2020-06-17 cs.LG eess.IV q-bio.QM
Histopathological imaging features- versus molecular measurements-based cancer prognosis modeling
对于大多数(如果不是所有)癌症,预后是非常重要的,并且已经进行了广泛的建模研究。随着癌症的遗传本质,在过去的二十年里,人们已经探索了多种类型的分子数据(如基因表达和DNA突变)。最近,组织病理学成像数据,这是常规收集活检,已被证明是信息建模预后。在这项研究中,使用TCGA LUAD和LUSC数据作为展示,我们检查和比较使用基因表达与组织病理学成像特征建模肺癌总生存率。采用高维正则化方法进行估计和选择。我们的分析表明,基因表达具有稍好的预后性能。此外,大多数基因表达被发现是弱相关的成像特征。预计这项研究可以提供一些见解,利用这两种类型的重要数据在癌症预后建模和肺癌总生存率。
2020-06-05 eess.IV q-bio.QM stat.AP