Core Concepts
本研究では、遺伝子発現データ、薬剤情報、疾患情報を統合したヘテロジニアスグラフエンコーダーと、早期の腫瘍体積データを活用したニューラルODEモデルを提案し、PDXデータにおける腫瘍動態予測の精度向上を実現した。
Abstract
本研究では、腫瘍動態予測のためのモデルとして、ヘテロジニアスグラフエンコーダーとニューラルODEを統合したアプローチを提案した。
ヘテロジニアスグラフエンコーダーでは、以下の3つのグラフを活用した:
遺伝子-遺伝子グラフ: 組織特異的な遺伝子ネットワーク
薬剤-遺伝子グラフ: 薬剤ターゲットと相互作用する遺伝子
疾患-遺伝子グラフ: 疾患に関連する遺伝子
これらのグラフを統合することで、腫瘍、治療、遺伝子の複雑な関係性を学習した表現を得ることができる。
さらに、早期の腫瘍体積データを活用したタンパーボリューム・エンコーダーを組み合わせ、ニューラルODEモデルに統合した。これにより、多様なモダリティのデータを活用して、個別化された腫瘍動態予測が可能となった。
実験の結果、提案手法は従来手法と比較して、腫瘍体積の再現性と応答カテゴリの予測精度が大幅に向上することが示された。本手法は前臨床設定での応用が期待できる。
Stats
提案手法のR2は0.96で、従来手法の0.71を大きく上回った。
提案手法のSpearman相関は0.96で、従来手法の0.86を上回った。
Quotes
"本研究では、遺伝子発現データ、薬剤情報、疾患情報を統合したヘテロジニアスグラフエンコーダーと、早期の腫瘍体積データを活用したニューラルODEモデルを提案した。"
"実験の結果、提案手法は従来手法と比較して、腫瘍体積の再現性と応答カテゴリの予測精度が大幅に向上することが示された。"