論文の概要: Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration
- arxiv url: http://arxiv.org/abs/2211.04020v2
- Date: Sat, 14 Oct 2023 01:56:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 06:38:29.808743
- Title: Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration
- Title（参考訳）: 腫瘍空間プロテオームの相反的説明の生成と免疫浸潤促進のための効果的な戦略
- Authors: Zitong Jerry Wang, Alexander M. Xu, Aman Bhargava, Matt W. Thomson
- Abstract要約: 腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
- 参考スコア（独自算出の注目度）: 44.99833362998488
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The tumor microenvironment (TME) significantly impacts cancer prognosis due
to its immune composition. While therapies for altering the immune composition,
including immunotherapies, have shown exciting results for treating
hematological cancers, they are less effective for immunologically-cold, solid
tumors. Spatial omics technologies capture the spatial organization of the TME
with unprecedented molecular detail, revealing the relationship between immune
cell localization and molecular signals. Here, we formulate T-cell infiltration
prediction as a self-supervised machine learning problem and develop a
counterfactual optimization strategy that leverages large scale spatial omics
profiles of patient tumors to design tumor perturbations predicted to boost
T-cell infiltration. A convolutional neural network predicts T-cell
distribution based on signaling molecules in the TME provided by imaging mass
cytometry. Gradient-based counterfactual generation, then, computes
perturbations predicted to boost T-cell abundance. We apply our framework to
melanoma, colorectal cancer liver metastases, and breast tumor data,
discovering combinatorial perturbations predicted to support T-cell
infiltration across tens to hundreds of patients. This work presents a paradigm
for counterfactual-based prediction and design of cancer therapeutics using
spatial omics data.
- Abstract（参考訳）: 腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
免疫療法を含む免疫組成を変える治療法は、血液学的がんの治療にはエキサイティングな結果を示しているが、免疫学的に凝固した固形腫瘍には効果が低い。
空間的オミクス技術はtmeの空間的構造を前例のない分子的詳細で捉え、免疫細胞局在と分子シグナルの関係を明らかにする。
そこで我々は,T細胞浸潤予測を自己教師型機械学習問題として定式化し,T細胞浸潤を促進させると予測される腫瘍の摂動を設計するために,患者腫瘍の大規模空間オミクスプロファイルを利用する対物最適化戦略を開発した。
畳み込みニューラルネットワークは、質量サイトメトリーによって提供されるTMEのシグナル分子に基づいてT細胞分布を予測する。
グラディエントベースの反ファクト生成は、T細胞量の増大を予測した摂動を計算する。
われわれは, 悪性黒色腫, 大腸癌肝転移, 乳腺腫瘍データに枠組みを適用し, 数十～数百の患者にT細胞浸潤が認められた。
本研究は,空間オミクスデータを用いたがん治療の予防的予測と設計のためのパラダイムを提案する。
関連論文リスト
- Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳（メタデータ） (2024-05-13T15:40:56Z) - Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳（メタデータ） (2023-11-30T15:11:03Z) - Cross-domain feature disentanglement for interpretable modeling of tumor
microenvironment impact on drug response [4.930226504666259]
がん細胞と腫瘍のTMEを分離するための領域適応ネットワークを提案する。
新規薬物の汎用性を確保するため,薬物の潜伏表現を学習するためにグラフアテンションネットワークを適用し,潜伏空間の細胞状態に対する薬物摂動を線形にモデル化した。
論文 参考訳（メタデータ） (2023-11-15T07:50:54Z) - Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI
Generation and Diffuse Glioma Growth Prediction [0.5806504980491878]
今後,腫瘍マスクを生成できる新しいエンドツーエンドネットワークと,腫瘍が今後どのように見えるかの現実的なMRIを提示する。
我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
論文 参考訳（メタデータ） (2023-09-11T12:12:52Z) - Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT
by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。
発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文 参考訳（メタデータ） (2023-08-01T12:46:02Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳（メタデータ） (2023-04-12T05:41:44Z) - Novel Local Radiomic Bayesian Classifiers for Non-Invasive Prediction of
MGMT Methylation Status in Glioblastoma [0.0]
グリオーマ腫瘍組織におけるO6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)遺伝子の発現は臨床的に重要である。
現在、MGMTメチル化は、侵襲的な脳生検およびその後に抽出された腫瘍組織の遺伝子解析によって決定されている。
FLAIR系列磁気共鳴画像(MRI)から抽出した放射能特性に基づいてMGMTメチル化状態の確率論的予測を行う新しいベイズ分類器を提案する。
論文 参考訳（メタデータ） (2021-11-30T04:53:23Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - Radiomic Deformation and Textural Heterogeneity (R-DepTH) Descriptor to
characterize Tumor Field Effect: Application to Survival Prediction in
Glioblastoma [2.1916334019121537]
腫瘍野効果の概念は、がんが可視性腫瘍を超える影響を持つ全身疾患であることを意味する。
r-DepTH (r-DepTH) を用いたMRI ベースの記述器, 放射能とテクスチュラルな異質性について述べる。
この記述子は、質量効果による周囲の正常発作全体の組織変形の微妙な摂動の測定を含む。
論文 参考訳（メタデータ） (2021-03-12T17:38:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。