論文の概要: A PBN-RL-XAI Framework for Discovering a "Hit-and-Run" Therapeutic Strategy in Melanoma

• arxiv url: http://arxiv.org/abs/2507.10136v4
• Date: Thu, 24 Jul 2025 04:04:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.116231
• Title: A PBN-RL-XAI Framework for Discovering a "Hit-and-Run" Therapeutic Strategy in Melanoma
• Title（参考訳）: 悪性黒色腫の「ハイ・アンド・ラン」治療戦略を明らかにするためのPBN-RL-XAIフレームワーク
• Authors: Zhonglin Liu,
• Abstract要約: 抗PD-1免疫療法に対する自然抵抗性はメラノーマの主要な臨床的課題である。 患者腫瘍生検の転写データを用いた動的確率的ブールネットワークモデルを構築した。 2つのタンパク質 (LOXL2) のようなリシルオキシダーゼの4段階の一時的阻害が最も有効な戦略であった。
• 参考スコア（独自算出の注目度）: 0.8158530638728501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Innate resistance to anti-PD-1 immunotherapy remains a major clinical challenge in metastatic melanoma, with the underlying molecular networks being poorly understood. To address this, we constructed a dynamic Probabilistic Boolean Network model using transcriptomic data from patient tumor biopsies to elucidate the regulatory logic governing therapy response. We then employed a reinforcement learning agent to systematically discover optimal, multi-step therapeutic interventions and used explainable artificial intelligence to mechanistically interpret the agent's control policy. The analysis revealed that a precisely timed, 4-step temporary inhibition of the lysyl oxidase like 2 protein (LOXL2) was the most effective strategy. Our explainable analysis showed that this ''hit-and-run" intervention is sufficient to erase the molecular signature driving resistance, allowing the network to self-correct without requiring sustained intervention. This study presents a novel, time-dependent therapeutic hypothesis for overcoming immunotherapy resistance and provides a powerful computational framework for identifying non-obvious intervention protocols in complex biological systems.
• Abstract（参考訳）: 抗PD-1免疫療法に対する自然抵抗性は、転移性メラノーマにおいて主要な臨床的課題であり、基礎となる分子ネットワークは理解されていない。 そこで我々は, 患者腫瘍生検の転写データを用いて, 動的確率的ブールネットワークモデルを構築し, 治療反応の制御ロジックを解明した。 そこで我々は,最適な多段階治療介入を体系的に発見するために強化学習エージェントを使用し,説明可能な人工知能を用いてエージェントの制御ポリシーを機械的に解釈した。 解析の結果,リシルオキシダーゼ様2タンパク質 (LOXL2) の経時的4段階の一時的阻害が最も有効であった。 我々の説明可能な分析は、この'hit-and-run'介入は分子シグネチャ駆動抵抗を消すのに十分であり、持続的な介入を必要とせずにネットワークが自己修正できることを示した。 本研究は, 免疫療法抵抗を克服するための新しい時間依存的治療仮説を提示し, 複雑な生物学的システムにおける非予防的介入プロトコルを同定するための強力な計算枠組みを提供する。

関連論文リスト

• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)
• Harnessing Preference Optimisation in Protein LMs for Hit Maturation in Cell Therapy [0.5315454965484603]
  細胞と免疫療法は、免疫系を調節することにより、がんや自己免疫疾患などの疾患を治療するための形質転換能を提供する。 これらの治療法の開発は資源集約的であり、薬物候補の大多数は実験室での試験以上の進歩に失敗している。 近年の機械学習の進歩は、タンパク質工学などの領域に革命をもたらし、大規模で標準化されたデータセットの不足や細胞系の複雑さにより、免疫療法の応用は制限され続けている。
  論文  参考訳（メタデータ） (2024-12-02T11:21:58Z)
• Explainable Artificial Intelligence Techniques for Irregular Temporal Classification of Multidrug Resistance Acquisition in Intensive Care Unit Patients [7.727213847237959]
  本研究では,GRU(Gated Recurrent Units)と高度な内在的・ポストホック的解釈可能性技術を統合した新しい手法を提案する。 ICU患者に対するMDR(Multidrug-Resistant)感染に関連する危険因子の特定を目的とした。
  論文  参考訳（メタデータ） (2024-07-24T11:12:01Z)
• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• An AI-enabled Agent-Based Model and Its Application in Measles Outbreak Simulation for New Zealand [5.4017711896476905]
  エージェントベースモデル(ABM)は、複雑な社会的相互作用を研究する強力なツールとして登場した。 グラフニューラルネットワーク(GNN)とLong Short-Term Memory(LSTM)を結合したテンソル化・微分可能なエージェントベースモデルを開発した。 本稿では、最新の人工知能(AI)技術と従来のABMの能力を活用して、伝染病の発生のダイナミクスについてより深い知見を得る。
  論文  参考訳（メタデータ） (2024-03-06T03:36:07Z)
• Non-Linear Self Augmentation Deep Pipeline for Cancer Treatment outcome Prediction [7.455416595124159]
  著者らは、深い下流の分類器とともに非線形セルアーキテクチャを利用する革新的な戦略を提示している。 本研究の目的は,胸部CT像から抽出した2次元特徴を慎重に選択・拡張し,治療成績の予測を改善することである。 提案したパイプラインは、高度に組み込まれたPoint of Careシステムとシームレスに統合するように慎重に設計されている。
  論文  参考訳（メタデータ） (2023-07-26T15:01:26Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。