論文の概要: Benchmarking Machine-Learning Classifiers for Neoantigen Immunogenicity Prediction and the Limits of SHAP Interpretability

• arxiv url: http://arxiv.org/abs/2611.00907v1
• Date: Sat, 31 Oct 2026 13:06:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:31:02.128379
• Title: Benchmarking Machine-Learning Classifiers for Neoantigen Immunogenicity Prediction and the Limits of SHAP Interpretability
• Title（参考訳）: 新規抗原免疫原性予測のためのベンチマークマシン学習分類法とSHAP解釈限界
• Abstract要約: 本研究は、汎用機械学習が何を達成し、そのようなモデルを重要視する特徴が信頼できるかどうかを問うものである。 古典的な線形モデルは、ランキングをリードする。最近の研究で支配的な勾配のブーイングされたアンサンブルとニューラルネットワークは、利点を与えない。 我々は、このようなシャッフルラベル制御に対して、このサイズのコホートにおける高次のカテゴリアノテーションに対するSHAP値が常に報告されることを推奨する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Personalized cancer vaccines require prioritizing, among hundreds of candidate mutant peptides, the few that will induce a T-cell response. This study asks what general-purpose machine learning achieves on that task, and whether the features such models identify as important can be trusted. We make three contributions. The first is a benchmark of sixty models: twelve supervised classifier families, each in five configurations, evaluated on the Immunogenic Tumor Specific Neoantigen database (ITSNdb; 199 experimentally validated neoantigens, 129 immunogenic and 70 non-immunogenic). All sixty are compared under one stratified k-fold cross-validation protocol, in which the data used to choose a configuration are never the data used to score it. The second is an interpretability study that combines SHAP with feature ablation. The third is a shuffled-label control that tests whether a SHAP value has been earned. Two results follow, and both run against current practice. First, the classical linear models lead the ranking. The gradient-boosted ensembles and neural networks that dominate recent work bring no advantage. Second, SHAP can fail on high-cardinality categorical features. Ablation establishes the presenting HLA allele as the dominant input and the source gene as dispensable. SHAP reports the opposite, assigning 68.7% to 81.7% of its total value to the source gene in every model that gives each gene its own weight. Shuffling the gene labels at random among the peptides resolves the contradiction: the meaningless column earns the same SHAP value as the real one. That value measures only that ITSNdb contains 173 genes for 199 peptides. We therefore recommend that SHAP values for high-cardinality categorical annotations in cohorts of this size always be reported against such a shuffled-label control, and we describe one in full.
• Abstract（参考訳）: パーソナライズされたがんワクチンは、数百の変異ペプチドのうち、T細胞反応を誘導する数少ないペプチドを優先順位付けする必要がある。 本研究は、そのタスクにおいて汎用機械学習が何を達成するか、また、そのようなモデルが重要と認識する特徴が信頼できるかどうかを問うものである。 私たちは3つの貢献をします。 第1は60モデルのベンチマークであり、それぞれ5つの構成で、免疫原性腫瘍特異的ネオ抗原データベース(ITSNdb; 実験的に検証されたネオ抗原199、免疫原性129、非免疫原性70)で評価される。 全60は1つの階層化されたk-foldクロスバリデーションプロトコルで比較され、設定を選択するために使用されるデータは、それを評価するために使用されるデータではない。 2つ目は、SHAPと特徴アブレーションを組み合わせた解釈可能性の研究である。 3つ目は、SHAP値が得られたかどうかをテストするシャッフルラベル制御である。 2つの結果が続き、どちらも現在の慣行に逆らう。 まず、古典的な線形モデルがランキングをリードする。 最近の研究を統括する勾配式アンサンブルとニューラルネットワークは、何の利点も与えない。 第2に、SHAPは高心機能に障害を起こす可能性がある。 アブレーションは、HLAアレルを支配的な入力とし、ソース遺伝子をディスペンサブルとする。 SHAPは反対を報告し、各遺伝子が自身の体重を与える全てのモデルにおいて、その総価値の68.7%から81.7%をソース遺伝子に割り当てている。 ペプチド間でランダムに遺伝子ラベルをシャッフルすると、矛盾は解消される:無意味なカラムは、実際のカラムと同じSHAP値を得る。 この値は、ITSNdbが199のペプチドに対して173の遺伝子を含むことのみを測定する。 そこで我々は,この大きさのコホートにおける高次のカテゴリアノテーションに対するSHAP値が,このようなシャッフルラベル制御に対して常に報告されることを推奨する。

関連論文リスト

• Auditing the Privacy of Synthetic Gene Expression Data: A Unified Weighted-Distance Framework for No-Box Membership Inference [8.15745245946297]
  メンバーシップ推論攻撃(MIA)は、患者の遺伝子発現プロファイルが生成モデルのトレーニングに使用されたかどうかを検査することで、その監査を提供する。 ELSA Health 2026 Challengeで公表されたThe Cancer Genome AtlasのRNA-seqプロファイルから得られた合成遺伝子発現データについて再検討した。
  論文  参考訳（メタデータ） (2026-10-02T21:14:25Z)
• AmbiModBench: Benchmarking Gene Perturbation Prediction Beyond Shared Responses [48.72528617189033]
  遺伝的摂動に対する細胞応答の予測は、単細胞ゲノム学における実験の優先順位付けに役立つ。 本稿では,AmbiModBenchを提案する。
  論文  参考訳（メタデータ） (2026-09-26T12:10:35Z)
• CASCADE: An Agentic Regulatory Network Framework for Patient-Data-Validated Downstream Perturbation Prediction [0.0]
  我々は、実際のTCGA患者の腫瘍データに対するノックダウンの逆転のプロキシとして、焦点遺伝子コピーナンバーアンプリフィケーション(cuscus-gene copy-number amplification)を用いる。 MYCの場合、CASCADEの予測されたノックダウンターゲットは、実際のvs非増幅腫瘍の発現と強い一致を示した。 その精度は、MYCまたはE2F駆動生物学の既存の公的な知識を超えないことが示されている。
  論文  参考訳（メタデータ） (2026-08-05T19:30:44Z)
• Prostate-VarBench: A Benchmark with Interpretable TabNet Framework for Prostate Cancer Variant Classification [14.190646211771073]
  VUS(Variants of Uncertain Significance)は前立腺癌ゲノムの臨床的有用性を制限する。 Prostate-VarBenchは、prostate固有のベンチマークを作成するための、キュレートされたパイプラインである。
  論文  参考訳（メタデータ） (2025-11-12T06:13:50Z)
• Peptidomic-Based Prediction Model for Coronary Heart Disease Using a Multilayer Perceptron Neural Network [0.0]
  冠動脈心疾患(CHD)は、世界中で死因の主要な疾患であり、毎年の医療費に大きく貢献する。 非侵襲的な診断手法を開発するために,マルチ層パーセプトロン(MLP)ニューラルネットワークに基づくモデルを構築した。 このモデルは95.67パーセントの精度、感度、特異性を達成し、F1スコアは0.9565である。
  論文  参考訳（メタデータ） (2025-09-04T04:54:02Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Assessing putative bias in prediction of anti-microbial resistance from real-world genotyping data under explicit causal assumptions [3.795323061432507]
  サンプリングが非ランダム化されているため、AMR予測ツールの開発にはバイアスがかかる。 遺伝子型・フェノタイプAMRデータを用いたAMR予測における確率に基づく再バランスと共起調整の有効性を評価した。
  論文  参考訳（メタデータ） (2021-07-06T21:19:21Z)

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。