論文の概要: Exploring Strategies for Personalized Radiation Therapy: Part III Identifying genetic determinants for Radiation Response with Meta Learning

• arxiv url: http://arxiv.org/abs/2508.08030v1
• Date: Mon, 11 Aug 2025 14:34:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.144557
• Title: Exploring Strategies for Personalized Radiation Therapy: Part III Identifying genetic determinants for Radiation Response with Meta Learning
• Title（参考訳）: パーソナライズド放射線治療の探索 : 第3報 メタラーニングによる放射線応答の遺伝的決定因子の同定
• Authors: Hao Peng, Yuanyuan Zhang, Steve Jiang, Robert Timmerman, John Minna,
• Abstract要約: SF2で測定された放射線感度の1ショット予測のためのメタラーニングフレームワークを提案する。 提案したメタ学習モデルでは,各遺伝子の重要性を微調整によりサンプルによって変化させることができる。
• 参考スコア（独自算出の注目度）: 16.83962881667841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiation response in cancer is shaped by complex, patient specific biology, yet current treatment strategies often rely on uniform dose prescriptions without accounting for tumor heterogeneity. In this study, we introduce a meta learning framework for one-shot prediction of radiosensitivity measured by SF2 using cell line level gene expression data. Unlike the widely used Radiosensitivity Index RSI a rank-based linear model trained on a fixed 10-gene signature, our proposed meta-learned model allows the importance of each gene to vary by sample through fine tuning. This flexibility addresses key limitations of static models like RSI, which assume uniform gene contributions across tumor types and discard expression magnitude and gene gene interactions. Our results show that meta learning offers robust generalization to unseen samples and performs well in tumor subgroups with high radiosensitivity variability, such as adenocarcinoma and large cell carcinoma. By learning transferable structure across tasks while preserving sample specific adaptability, our approach enables rapid adaptation to individual samples, improving predictive accuracy across diverse tumor subtypes while uncovering context dependent patterns of gene influence that may inform personalized therapy.
• Abstract（参考訳）: がんの放射線応答は複雑で患者固有の生物学によって形成されているが、現在の治療戦略は腫瘍の不均一性を考慮せずに均一な服用処方に頼っていることが多い。 本研究では,細胞線レベルの遺伝子発現データを用いたSF2測定による放射線感度の1ショット予測のためのメタラーニングフレームワークを提案する。 固定された10遺伝子シグネチャに基づいて訓練されたランクベース線形モデルである放射線感度指数RSIとは異なり,提案したメタ学習モデルでは,各遺伝子の重要性を微調整によって変化させることが可能である。 この柔軟性はRSIのような静的モデルの鍵となる制限に対処する。 以上の結果より, メタラーニングは未確認検体に対して堅牢な一般化を実現し, 腺癌や大細胞癌などの放射線感受性の高い腫瘍サブグループで良好に機能することが示唆された。 本研究は,特定の適応性を維持しつつ,タスク間の伝達可能な構造を学習することにより,個々のサンプルへの迅速な適応を可能にし,様々な腫瘍サブタイプの予測精度を向上させるとともに,パーソナライズされた治療に影響を及ぼす遺伝子影響の文脈依存性パターンを明らかにする。

関連論文リスト

• Modeling Gene Expression Distributional Shifts for Unseen Genetic Perturbations [44.619690829431214]
  遺伝的摂動に伴う遺伝子発現の分布応答を予測するニューラルネットワークを訓練する。 本モデルでは, 摂動を条件とした遺伝子レベルのヒストグラムを予測し, 高次統計値の取得において, 基準値よりも優れていた。
  論文  参考訳（メタデータ） (2025-07-01T06:04:28Z)
• Exploring Strategies for Personalized Radiation Therapy Part I Unlocking Response-Related Tumor Subregions with Class Activation Mapping [17.401088816596054]
  本研究は, 標準放射能, 勾配に基づく特徴, クラスアクティベーションマッピングにより強化された畳み込みニューラルネットワークという, 治療応答を予測するための3つのアプローチを比較する。 ガンマナイフ治療39例の脳転移69例について検討した。 Pixel wise CAMは、分類精度において放射能と勾配に基づく手法の両方に優れていた。
  論文  参考訳（メタデータ） (2025-06-21T01:24:25Z)
• Spatial Transcriptomics Expression Prediction from Histopathology Based on Cross-Modal Mask Reconstruction and Contrastive Learning [6.977427565352716]
  我々は,全スライディング画像から空間的に解決された遺伝子発現を予測するための,対照的な学習に基づく深層学習法を開発した。 本手法は遺伝子・遺伝子相関を保存し,限られたサンプルを持つデータセットに適用する。
  論文  参考訳（メタデータ） (2025-06-10T14:42:03Z)
• PathGene: Benchmarking Driver Gene Mutations and Exon Prediction Using Multicenter Lung Cancer Histopathology Image Dataset [3.716599571611912]
  肺癌における遺伝子変異、変異サブタイプおよびそれらのエクソンの正確な予測は、パーソナライズされた治療計画と予後評価に重要である。 病理組織像と次世代シークエンシングレポートを組み合わせたPathGeneを収集した。 このマルチセンターデータセットは、全スライディングイメージをドライバ遺伝子変異状態、突然変異サブタイプ、エキソン、腫瘍突然変異負担(TMB)ステータスにリンクする。
  論文  参考訳（メタデータ） (2025-05-30T11:51:11Z)
• Multi-megabase scale genome interpretation with genetic language models [45.97370115519009]
  フェンフォーマー(英: Phenformer)は、機械的仮説を生成するために学習する多スケールの遺伝的言語モデルである。 我々は,150万以上の個体から得られた全ゲノムシークエンシングデータを用いて,Phenformerが既存の方法よりも優れた機械的仮説を生成することを示す。
  論文  参考訳（メタデータ） (2025-01-13T23:00:40Z)
• Precision Cancer Classification and Biomarker Identification from mRNA Gene Expression via Dimensionality Reduction and Explainable AI [0.9423257767158634]
  本研究では,33種類の異なる癌とその対応する遺伝子群を正確に同定するための包括的パイプラインを提案する。 正規化と特徴選択技術を組み合わせて、データセットの次元性を効果的に削減する。 我々はExplainable AIを利用して、同定された癌特異的遺伝子の生物学的意義を解明する。
  論文  参考訳（メタデータ） (2024-10-08T18:56:31Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• Optimize Deep Learning Models for Prediction of Gene Mutations Using Unsupervised Clustering [6.494144125433731]
  ディープ・ラーニング(Deep Learning)は、全スライディングのデジタル病理画像の解析と解釈において、主流の方法論選択となっている。 本稿では, 教師なしクラスタリングに基づくマルチインスタンス学習を提案するとともに, 3種類の癌からのWSIを用いた遺伝子変異予測のための深層学習モデルの構築に本手法を適用した。 画像パッチの教師なしクラスタリングは, 予測パッチの同定, 予測情報の欠如を排除し, 3種類の癌における遺伝子変異の予測を改善できることを示した。
  論文  参考訳（メタデータ） (2022-03-31T11:48:21Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)

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。