Napovedovanje odziva na zdravljenje metastatskega melanoma iz podatkov o izražanju genov

magistrsko delo

Lea Vohar (Avtor), Gregor Štiglic (Mentor), Miha Štajdohar (Komentor), Luka Ausec (Komentor)

Povzetek

Uvod: Zaviralci imunskih kontrolnih točk so v zadnjem desetletju naredili izjemen napredek pri zdravljenju metastatskega melanoma, vendar je odzivnost na zdravljenje relativno nizka. Prepoznavanje biologije odziva in odpornosti na zdravljenje sta prednostni nalogi za optimizacijo izbire zdravil in izboljšanje rezultatov bolnikov. V okviru naše študije smo ocenili genski podpis IPRES za napovedovanje odziva na imunoterapijo. Metode: Izvedli smo statistično analizo kliničnih podatkov bolnikov z metastatskim melanomom in temeljne korake razvoja napovednega modela na transkiptomskih podatkih. Napovedne modele smo zgradili z metodo multiple logistične regresije, naključnega gozda in nevronsko mrežo. Modele smo ocenili z 20-kratno ponovitvijo vgnezdenega 5-kratnega sorazmernega prečnega preverjanja. Rezultati: Z uporabo podpisa IPRES kot vhodne spremenljivke napovednih modelov se je za najboljšega izkazal naključni gozd z rezultatom pri vrednosti AUC 0,65 (95 % IZ: 0. 65– 0.66). Z integracijo statistično značilnih genomskih podatkov smo vrednost metrike AUC povišali na 0,72 (95 % IZ: 0,71–0,72). Razprava in zaključek: Geni IPRES so bili izbrani kot diferencialni geni. Izkazalo se je, da diferenčnost izražanja genov med neodvisnima bazama podatkov iste vrste raka ni ponovljiva in da diferencialni geni kot predstavniki signalnih poti nimajo nujno zadostne napovedne moči. Potrdili smo pomembnost združevanja – omik in uporabo modelov strojnega učenja za doseganje natančnejših napovedi.

Ključne besede

melanom;imunoterapija;zaviralci kontrolnih točk;strojno učenje;

Podatki

Jezik:	Slovenski jezik
Leto izida:	2022
Tipologija:	2.09 - Magistrsko delo
Organizacija:	UM FZV - Fakulteta za zdravstvene vede
Založnik:	[L. Vohar]
UDK:	616-006.81:575.113(043.2)
COBISS:	134718979
Št. ogledov:	69
Št. prenosov:	6
Ocena:	0 (0 glasov)
Metapodatki:

Ostali podatki

Sekundarni jezik:	Angleški jezik
Sekundarni naslov:	Predicting tumor response in metastatic melanoma based on gene expression signatures
Sekundarni povzetek:	Introduction: Immune checkpoint inhibitors have made significant progress in metastatic melanoma treatment over the past decade, but the response rate to this treatment is relatively low. Understanding the biology of response and resistance to treatment are high priority tasks for drug selection optimisation and improved patient outcomes. In this study, we evaluated the IPRES gene signature for predictiveness of immunotherapy response. Methods: We carried out a statistical analysis of metastatic melanoma patient clinical data and the fundamental steps of predictive model development on transcriptomic data. Prediction models were built using multiple logistic regression, random forest and neural networks. They were evaluated by nested 5-fold cross-validation repeated 20 times. Results: Using IPRES signature as input, the random forest model showed best performance with AUC 0.65 (95% CI: 0.65–0.66). We were able to improve the AUC metric to 0.72 (95 % CI: 0.71–0.72) by integrating statistically significant genome data. Discussion and Conclusion: IPRES genes were selected as differential ones. It turned out that differential expression of genes between independent databases of the same cancer type data is not replicable and that differential genes as representatives of signalling pathways do not necessarily have sufficient predictive power. We have excludes the IPRES signature from potential biomarkers. We have, however, confirmed the importance of – omic data integration and the use of machine learning models for achieving more accurate predictions.
Sekundarne ključne besede:	melanoma;immunotherapy;immune checkpoint inhibitors;machine learning;Melanoma;Immunotherapy;Machine Learning;Imunoterapija;
Vrsta dela (COBISS):	Magistrsko delo/naloga
Komentar na gradivo:	Univ. v Mariboru, Fak. za zdravstvene vede
Strani:	1 spletni vir (1 datoteka PDF (IX, 30 str.))
ID:	16803349