論文の概要: BioCOMPASS: Integrating Biomarkers into Transformer-Based Immunotherapy Response Prediction

• arxiv url: http://arxiv.org/abs/2604.00739v1
• Date: Wed, 01 Apr 2026 11:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.947999
• Title: BioCOMPASS: Integrating Biomarkers into Transformer-Based Immunotherapy Response Prediction
• Title（参考訳）: BioCOMPASS: トランスフォーマーによる免疫療法反応予測へのバイオマーカーの統合
• Abstract要約: バイオマーカーと治療情報を統合するトランスフォーマーモデルの拡張であるBioCOMPASSを提案する。 その結果,Leave-one-cohort-out,Leave-one-cancer-out,Leave-one-cutment-outが有効であった。
• 参考スコア（独自算出の注目度）: 0.3007707487678111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Datasets used in immunotherapy response prediction are typically small in size, as well as diverse in cancer type, drug administered, and sequencer used. Models often drop in performance when tested on patient cohorts that are not included in the training process. Recent work has shown that transformer-based models along with self-supervised learning show better generalisation performance than threshold-based biomarkers, but is still suboptimal. We present BioCOMPASS, an extension of a transformer-based model called COMPASS, that integrates biomarkers and treatment information to further improve its generalisability. Instead of feeding biomarker data as input, we built loss components to align them with the model's intermediate representations. We found that components such as treatment gating and pathway consistency loss improved generalisability when evaluated with Leave-one-cohort-out, Leave-one-cancer-type-out and Leave-one-treatment-out strategies. Results show that building components that exploit biomarker and treatment information can help in generalisability of immunotherapy response prediction. Careful curation of additional components that leverage complementary clinical information and domain knowledge represents a promising direction for future research.
• Abstract（参考訳）: 免疫療法反応予測に用いられるデータセットは、典型的には小さめであり、がんの種類、薬物投与、シーケンサーも多様である。 モデルは、トレーニングプロセスに含まれない患者コホートでテストすると、しばしばパフォーマンスが低下する。 近年の研究では、トランスフォーマーベースのモデルと自己教師付き学習が閾値ベースのバイオマーカーよりも優れた一般化性能を示したが、まだ準最適である。 我々は、バイオマーカーと治療情報を統合して、その一般化性をさらに向上する、CompASSと呼ばれるトランスフォーマーモデルの拡張であるBioCOMPASSを提案する。 バイオマーカーデータを入力として供給する代わりに、モデルを中間表現に合わせるために損失コンポーネントを構築しました。 その結果,Leave-one-cohort-out,Leave-one-cancer-out,Leave-one-cohort-outとLeave-one-treatment-outで評価すると,処理ゲーティングや経路整合性損失などの成分が一般性を向上させることがわかった。 その結果,バイオマーカーと治療情報を利用したビルディングコンポーネントは,免疫療法応答予測の一般化に有効であることが示唆された。 補完的な臨床情報とドメイン知識を活用する追加のコンポーネントの慎重なキュレーションは、将来の研究にとって有望な方向である。

関連論文リスト

• BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
  BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。 学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。 CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
  論文  参考訳（メタデータ） (2026-08-06T11:58:29Z)
• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift [0.2939891130492345]
  本研究は,患者データへの薬物応答モデルのよりサンプル効率の高い適応を可能にするために,表象学習をタスク管理から明確に分離するか否かを検討する。 本稿では,未ラベル医薬品ゲノムデータの大量収集から,細胞および薬物の表現を独立に学習する段階的移行学習フレームワークを提案する。 ソースドメインとターゲットドメインが重なり合う場合, 教師なし事前トレーニングは限られた利益をもたらすが, 非常に限られたラベル付きデータで患者腫瘍に適応する場合, 明らかな利益をもたらす。
  論文  参考訳（メタデータ） (2026-03-17T07:12:38Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Biologically Disentangled Multi-Omic Modeling Reveals Mechanistic Insights into Pan-Cancer Immunotherapy Resistance [0.9787436863401008]
  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。
  論文  参考訳（メタデータ） (2025-08-26T03:33:56Z)
• An Oversampling-enhanced Multi-class Imbalanced Classification Framework for Patient Health Status Prediction Using Patient-reported Outcomes [6.075416560330067]
  放射線治療を受けたがん患者から直接収集された患者報告結果(PROs)は、臨床医が潜在的毒性について助言する患者を支援する上で重要な役割を担っている。 本稿では,がん光子・プロトン療法センターのproBoostを用いて,健康状態に関連する患者の予後を予測するためのさまざまな機械学習手法について検討する。
  論文  参考訳（メタデータ） (2024-11-16T14:54:18Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• 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)
• Regression-based Deep-Learning predicts molecular biomarkers from pathology slides [40.24757332810004]
  我々は,画像から直接バイオマーカーを予測する自己監督型弱教師付き回帰手法を開発し,評価した。 回帰を用いて、バイオマーカー予測の精度を著しく向上させ、また、分類よりも結果の解釈可能性を向上させる。 我々のオープンソースレグレッションアプローチは、計算病理学における連続バイオマーカー解析に有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2023-04-11T11:43:51Z)
• Weakly-supervised learning for image-based classification of primary melanomas into genomic immune subgroups [1.4585861543119112]
  我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。 我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
  論文  参考訳（メタデータ） (2022-02-23T13:57:35Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• 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。