論文の概要: Transcriptomic Models for Immunotherapy Response Prediction Show Limited Cross-cohort Generalisability

• arxiv url: http://arxiv.org/abs/2604.05478v2
• Date: Wed, 15 Apr 2026 05:13:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 16:10:33.667584
• Title: Transcriptomic Models for Immunotherapy Response Prediction Show Limited Cross-cohort Generalisability
• Title（参考訳）: 免疫反応予測のためのトランスクリプトームモデル : クロスコホート・ジェネラビリティの限界
• Authors: Yuheng Liang, Lucy Chhuo, Ahmadreza Argha, Nona Farbehi, Lu Chen, Roohallah Alizadehsani, Mehdi Hosseinzadeh, Amin Beheshti, Thantrira Porntaveetusm, Youqiong Ye, Hamid Alinejad-Rokny,
• Abstract要約: 我々は、最先端のICI応答予測器9つ、バルクRNA-seqベースモデル5つ、cRNA-seqベースモデル4つをベンチマークした。 概して予測性能は軽度であり、ほとんどのコホートでRNA-seqのバルクモデルが実行された。 パスウェイレベルの解析により, モデル間の疎結合および非一貫性のバイオマーカー信号が明らかになった。
• 参考スコア（独自算出の注目度）: 15.181294821978902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Immune checkpoint inhibitors (ICIs) have transformed cancer therapy; yet substantial proportion of patients exhibit intrinsic or acquired resistance, making accurate pre-treatment response prediction a critical unmet need. Transcriptomics-based biomarkers derived from bulk and single-cell RNA sequencing (scRNA-seq) offer a promising avenue for capturing tumour-immune interactions, yet the cross-cohort generalisability of existing prediction models remains unclear.We systematically benchmark nine state-of-the-art transcriptomic ICI response predictors, five bulk RNA-seq-based models (COMPASS, IRNet, NetBio, IKCScore, and TNBC-ICI) and four scRNA-seq-based models (PRECISE, DeepGeneX, Tres and scCURE), using publicly available independent datasets unseen during model development. Overall, predictive performance was modest: bulk RNA-seq models performed at or near chance level across most cohorts, while scRNA-seq models showed only marginal improvements. Pathway-level analyses revealed sparse and inconsistent biomarker signals across models. Although scRNA-seq-based predictors converged on immune-related programs such as allograft rejection, bulk RNA-seq-based models exhibited little reproducible overlap. PRECISE and NetBio identified the most coherent immune-related themes, whereas IRNet predominantly captured metabolic pathways weakly aligned with ICI biology. Together, these findings demonstrate the limited cross-cohort robustness and biological consistency of current transcriptomic ICI prediction models, underscoring the need for improved domain adaptation, standardised preprocessing, and biologically grounded model design.
• 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、多くの患者が本態性または獲得抵抗性を示しており、正確な治療前反応予測が重要な不必要である。 バルクおよびシングルセルRNAシークエンシング(scRNA-seq)から派生したトランスクリプトミクスベースのバイオマーカーは、腫瘍と免疫の相互作用を捉えるための有望な道を提供するが、既存の予測モデルのクロスコホートな一般化性は未だ明らかではない。我々は、開発期間中に、現在9つの最先端の転写型ICI応答予測器、COMPASS、IRNet、NetBio、IKCScore、TNBC-ICI)、5つのバルクRNA-seqベースのモデル(PRECISE、DeepGeneX、Tres、cCURE)、および4つのcRNA-seqベースのモデル(PRECISE、DeepGeneX、Tres、cCURERE)を用いて、体系的にベンチマークを行った。 概して予測性能は低かった: バルクRNA-seqモデルはほとんどのコホートでほぼ偶然に実行され、一方、scRNA-seqモデルは限界的な改善しか示さなかった。 パスウェイレベルの解析により, モデル間の疎結合および非一貫性のバイオマーカー信号が明らかになった。 scRNA-seq-based predictorはアログラフト拒絶などの免疫関連プログラムに収束したが、バルクRNA-seq-based modelは再現性に乏しかった。 PreCISEとNetBioは最もコヒーレントな免疫関連テーマを同定し、IRNetはICI生物学と弱い一致する代謝経路を主に捉えた。 これらの知見は, ドメイン適応の改善, 標準化された前処理, 生物学的基盤モデル設計の必要性を浮き彫りにして, 現行の転写学ICI予測モデルのクロスコホート堅牢性と生物学的整合性を示すものである。

関連論文リスト

• 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)
• ImmunoDiff: A Diffusion Model for Immunotherapy Response Prediction in Lung Cancer [10.797150801746957]
  非Small cell Lung Cancer (NSCLC) における免疫療法反応の正確な予測は, いまだに重要ではない。 既存の放射能と深層学習に基づく予測モデルは、主にカテゴリー的反応の結果を予測するための前処理画像に依存している。 本研究では,治療後CTスキャンをベースライン画像から合成し,臨床的に関係のある制約を取り入れた解剖学的拡散モデルであるImmuDiffを紹介する。
  論文  参考訳（メタデータ） (2025-05-29T17:19:40Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• scMamba: A Pre-Trained Model for Single-Nucleus RNA Sequencing Analysis in Neurodegenerative Disorders [43.24785083027205]
  scMambaは、snRNA-seq解析の品質と実用性を改善するために設計された事前訓練モデルである。 最近のMambaモデルにインスパイアされた scMamba は、線形アダプタ層、遺伝子埋め込み、双方向のMambaブロックを組み込んだ新しいアーキテクチャを導入している。 scMambaは、セルタイプアノテーション、ダブルト検出、インプット、差分表現された遺伝子の同定など、様々な下流タスクにおいて、ベンチマーク手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-12T11:48:22Z)
• Histopathology Based AI Model Predicts Anti-Angiogenic Therapy Response in Renal Cancer Clinical Trial [0.6087644423424302]
  本稿では,ユビキタスな病理組織スライドからAngioscoreを予測するための新しい深層学習(DL)手法を提案する。 本モデルでは, モデル予測の基盤となる視覚血管ネットワークを生成する。 我々のアプローチは血管新生生物学とAA治療反応に関する知見を提供する。
  論文  参考訳（メタデータ） (2024-05-28T16:21:20Z)
• Path-GPTOmic: A Balanced Multi-modal Learning Framework for Survival Outcome Prediction [14.204637932937082]
  本稿では,癌生存率予測のためのマルチモーダルパスGPTOmicフレームワークを提案する。 基礎モデルである scGPT の埋め込み空間は,最初は単一セルRNA-seq で訓練された。 生存予測のためのCox部分的可能性損失に対応する勾配変調機構を提案する。
  論文  参考訳（メタデータ） (2024-03-18T00:02:48Z)
• Reprogramming Pretrained Language Models for Antibody Sequence Infilling [72.13295049594585]
  抗体の計算設計には、構造的一貫性を維持しながら、新規で多様な配列を生成することが含まれる。 近年のディープラーニングモデルでは優れた結果が得られたが、既知の抗体配列/構造対の数が限られているため、性能が劣化することが多い。 これは、ソース言語でトレーニング済みのモデルを再利用して、異なる言語で、データが少ないタスクに適応するものです。
  論文  参考訳（メタデータ） (2022-10-05T20:44:55Z)
• Predicting Molecular Phenotypes with Single Cell RNA Sequencing Data: an Assessment of Unsupervised Machine Learning Models [0.0]
  本研究は、異種腫瘍における治療抵抗性表現型分類における教師なし機械学習の評価である。 scRNAseqは細胞のmRNAを定量化し、細胞表現型を特徴づける。 このパイプラインから生成されたクラスターは、がん細胞の挙動と悪性成長を理解するために使用できる。
  論文  参考訳（メタデータ） (2021-08-11T05:30:37Z)
• 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)

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。