論文の概要: Biologically Disentangled Multi-Omic Modeling Reveals Mechanistic Insights into Pan-Cancer Immunotherapy Resistance

• arxiv url: http://arxiv.org/abs/2508.18638v1
• Date: Tue, 26 Aug 2025 03:33:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.660171
• Title: Biologically Disentangled Multi-Omic Modeling Reveals Mechanistic Insights into Pan-Cancer Immunotherapy Resistance
• Title（参考訳）: 生物学的に歪んだ多眼症モデル : パン・キャンサー免疫療法抵抗性に関する力学的考察
• Authors: Ifrah Tariq, Ernest Fraenkel,
• Abstract要約: 転写情報とゲノムデータを統合する深層生成モデルであるBDVAE(Biologically Disentangled Variational Autoencoder)を導入する。 366人のパン・カンサー・コホートに適用すると、BDVAEは治療反応を正確に予測する。 免疫抑制、代謝シフト、神経シグナル伝達などの重要な抵抗機構を明らかにする。
• 参考スコア（独自算出の注目度）: 0.9787436863401008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Immune checkpoint inhibitors (ICIs) have transformed cancer treatment, yet patient responses remain highly variable, and the biological mechanisms underlying resistance are poorly understood. While machine learning models hold promise for predicting responses to ICIs, most existing methods lack interpretability and do not effectively leverage the biological structure inherent to multi-omics data. Here, we introduce the Biologically Disentangled Variational Autoencoder (BDVAE), a deep generative model that integrates transcriptomic and genomic data through modality- and pathway-specific encoders. Unlike existing rigid, pathway-informed models, BDVAE employs a modular encoder architecture combined with variational inference to learn biologically meaningful latent features associated with immune, genomic, and metabolic processes. Applied to a pan-cancer cohort of 366 patients across four cancer types treated with ICIs, BDVAE accurately predicts treatment response (AUC-ROC = 0.94 on unseen test data) and uncovers critical resistance mechanisms, including immune suppression, metabolic shifts, and neuronal signaling. Importantly, BDVAE reveals that resistance spans a continuous biological spectrum rather than strictly binary states, reflecting gradations of tumor dysfunction. Several latent features correlate with survival outcomes and known clinical subtypes, demonstrating BDVAE's capability to generate interpretable, clinically relevant insights. These findings underscore the value of biologically structured machine learning in elucidating complex resistance patterns and guiding precision immunotherapy strategies.
• Abstract（参考訳）: 免疫チェックポイントインヒビター(ICIs)はがん治療に変化をもたらしたが、患者の反応は非常に変動しており、その基盤となる生物学的機構は理解されていない。 機械学習モデルはICIに対する応答を予測することを約束するが、既存のほとんどの方法は解釈可能性に欠けており、マルチオミクスデータに固有の生物学的構造を効果的に活用していない。 本稿では, 転写情報とゲノムデータをモダリティおよび経路固有エンコーダを通じて統合する深層生成モデルであるBDVAEを紹介する。 既存の固い経路情報モデルとは異なり、BDVAEはモジュラーエンコーダアーキテクチャと変分推論を組み合わせて、免疫、ゲノム、代謝プロセスに関連する生物学的に有意義な潜在的特徴を学習する。 ICIを治療した4種類のがん患者366人の膵臓コホートに適用すると、BDVAEは治療反応(AUC-ROC = 0.94)を正確に予測し、免疫抑制、代謝シフト、神経シグナルなどの重要な抵抗機構を明らかにする。 重要なことは、BDVAEは、耐性が厳密な二分状態ではなく連続的な生物学的スペクトルにまたがり、腫瘍機能障害の進行を反映していることを明らかにする。 いくつかの潜在的特徴は生存結果と既知の臨床サブタイプと相関し、BDVAEが解釈可能で臨床的に関係のある洞察を生成する能力を示す。 これらの知見は、複雑な抵抗パターンの解明と精密免疫療法戦略の導出において、生物学的に構造化された機械学習の価値を浮き彫りにした。

関連論文リスト

• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
  既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。 ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。 VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
  論文  参考訳（メタデータ） (2024-07-05T13:13:02Z)
• Functional Integrative Bayesian Analysis of High-dimensional Multiplatform Genomic Data [0.8029049649310213]
  我々は高次元多プラットフォームゲノミクスデータ(fiBAG)の関数積分ベイズ解析というフレームワークを提案する。 fiBAGは、プロテオゲノムバイオマーカーの上流での機能的証拠の同時同定を可能にする。 本研究は,14種類のがんのパン・カンサー解析を用いて,fiBAGの収益性を示す。
  論文  参考訳（メタデータ） (2022-12-29T03:31:45Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Improving generalization of machine learning-identified biomarkers with causal modeling: an investigation into immune receptor diagnostics [2.40246230430283]
  我々は、最近確立された高次元バイオマーカー-アダプティブ免疫受容体レパートリー(AIRRs)に焦点をあてる。 因果モデリングは,変数間の安定な関係を同定することにより,機械学習に基づくバイオマーカーの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2022-04-20T08:15:54Z)

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。