論文の概要: Pan-Cancer Mapping of the Tumor Immune Landscape through Metagene Clustering and Predictive Modeling
- arxiv url: http://arxiv.org/abs/2603.27145v1
- Date: Sat, 28 Mar 2026 05:38:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.81079
- Title: Pan-Cancer Mapping of the Tumor Immune Landscape through Metagene Clustering and Predictive Modeling
- Title（参考訳）: メタジェネティッククラスタリングと予測モデルによる腫瘍免疫景観のパンカウンサーマッピング
- Authors: Soham Chatterjee,
- Abstract要約: 免疫プロファイリングの進歩にもかかわらず、免疫表現型を誘導するメカニズムは未だ不明である。
本研究は、新規で堅牢な免疫関連遺伝子クラスター(メタゲイン)の同定を目的とする。
遺伝子は高発現群と低発現群の差分表現によってランク付けされた。
- 参考スコア（独自算出の注目度）: 0.40611352512781856
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As immunotherapies become standard cancer treatments, it is increasingly important to identify a patient's immune profile, which encompasses the activity of immune cells within the tumor microenvironment and the presence of specific biomarkers. However, we lack mechanistic explanations drivers of immune phenotypes. Despite advances in immune profiling with high-throughput sequencing, the mechanisms driving them remain unclear. This study aimed to identify novel, robust immune-related gene clusters (metagenes) and evaluate their prognostic significance and functional relevance across various pan-cancer types using a comprehensive computational pipeline. We acquired pan-cancer bulk RNA-seq and established immune subtypes from The Cancer Genome Atlas (TCGA). Using expression-based filtering and clustering of genes with ANOVA and Gaussian Mixture Model (GMM), we identified 48 unique metagenes. These metagenes achieved 87% accuracy in predicting the established subtypes. SHAP analysis revealed the most predictive metagenes per subtype, while functional enrichment analysis identified their associated pathways. Genes were ranked by differential expression between high- and low-expression groups. The metagenes revealed insights, including co-expression of immune activation and regulatory factors, links between cell cycle regulation and immune evasion, and dynamic microenvironment remodeling signatures. Kaplan-Meier survival analysis and multivariate Cox Regression revealed that many metagenes had prognostic value for overall survival. Overall, the metagenes represent coordinated biological programs across diverse cancer types, providing a foundation for developing robust, broadly applicable immuno-oncology biomarkers that extend beyond single-gene markers. They demonstrate prognostic value across cancer types and hold potential to guide immunotherapy treatment decisions.
- Abstract（参考訳）: 免疫療法が標準的ながん治療となるにつれて、腫瘍の微小環境における免疫細胞の活性と特定のバイオマーカーの存在を包含する患者の免疫プロファイルを特定することがますます重要である。
しかし,免疫性表現型の要因には機械的説明が欠如している。
高スループットシークエンシングによる免疫プロファイリングの進歩にもかかわらず、それらを駆動するメカニズムは未だ不明である。
本研究の目的は,新規で堅牢な免疫関連遺伝子クラスター(メタゲイン)を同定し,その予後的意義と機能的妥当性を包括的計算パイプラインを用いて評価することであった。
われわれはThe Cancer Genome Atlas(TCGA)からパン・カンサー・バルクRNA-seqを取得し,免疫サブタイプを樹立した。
ANOVAおよびGaussian Mixture Model(GMM)を用いた遺伝子発現に基づくフィルタリングと遺伝子クラスタリングを用いて,48種類のメタジェネシスを同定した。
これらのメタジェネシスは、確立されたサブタイプの予測において87%の精度を達成した。
SHAP解析ではサブタイプごとに最も予測されたメタジェネシスを示し,機能的エンリッチメント分析では関連経路が同定された。
遺伝子は高発現群と低発現群の差分表現によってランク付けされた。
メタジェネシスは、免疫活性化と調節因子の共発現、細胞周期制御と免疫回避の関連、動的ミクロ環境リモデリングシグネチャなどの知見を明らかにした。
カプラン・メイヤーの生存分析と多変量コックス回帰により,多くの変成遺伝子が生存の予後に有意な値を示した。
全体として、メタジーンは、様々な種類のがんにまたがる協調された生物学的プログラムを表しており、単一の遺伝子マーカーを超えて広がる堅牢で広く適用可能な免疫オンコロジーバイオマーカーを開発する基盤となっている。
それらは癌の種類にまたがる予後を証明し、免疫療法の治療決定を導く可能性を秘めている。
関連論文リスト
- Computational Mapping of Reactive Stroma in Prostate Cancer Yields Interpretable, Prognostic Biomarkers [17.12439149946061]
本稿では,レギュラーなヘマトキシリンおよびエオシンスライドにおける反応性ストローマ(RS)を定量化するディープラーニングフレームワーク PROTAS を提案する。
PROTASで定義されたRSは、核拡大、コラーゲンの分解、収縮経路の転写学的富化によって特徴づけられる。
論文 参考訳（メタデータ） (2026-01-10T00:03:33Z) - From Cells to Survival: Hierarchical Analysis of Cell Inter-Relations in Multiplex Microscopy for Lung Cancer Prognosis [0.9046327456472286]
HiGINEは、マルチプレックス免疫蛍光(mIF)画像におけるTME特性から患者の生存を予測するための階層的なグラフベースのアプローチである。
本モデルでは,細胞型と形態の情報を組み込んだ局所的およびグローバル的相互関係を符号化する。
我々は、HiGINEを2つのパブリックデータセット上で検証し、リスク階層化、ロバスト性、一般化可能性の向上を実証した。
論文 参考訳（メタデータ） (2025-12-09T13:10:12Z) - 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) - 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) - Gene-MOE: A sparsely gated prognosis and classification framework
exploiting pan-cancer genomic information [13.57379781623848]
そこで本研究では, RNA-seq解析フレームワークであるGene-MOEについて紹介する。
Gene-MOEは、分析精度を高めるために、MOE層とアテンションエキスパート層の混合物のポテンシャルを利用する。
事前訓練を通じて33種類のがんからパンがん情報を統合することで、過度に適合する課題に対処する。
論文 参考訳（メタデータ） (2023-11-29T07:09:25Z) - Pathology-and-genomics Multimodal Transformer for Survival Outcome
Prediction [43.1748594898772]
大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。
ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。
我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
論文 参考訳（メタデータ） (2023-07-22T00:59:26Z) - 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) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
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。
論文 参考訳（メタデータ） (2022-11-08T05:46:02Z) - Deep learning-based approach to reveal tumor mutational burden status
from whole slide images across multiple cancer types [41.61294299606317]
腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。
ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。
本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-07T07:02:32Z) - 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)
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。