探索个性化放射治疗策略：第三部分 利用元学习识别放射反应的遗传决定因素

癌症中的放射反应由复杂的、患者特异性的生物学因素塑造，然而当前的治疗策略通常依赖于统一的剂量处方，而不考虑肿瘤异质性。在本研究中，我们引入了一个元学习框架，用于利用细胞系水平的基因表达数据，对以SF2衡量的放射敏感性进行单样本预测。与广泛使用的放射敏感性指数RSI（一种基于固定10基因特征训练的秩次线性模型）不同，我们提出的元学习模型允许每个基因的重要性通过微调因样本而异。这种灵活性解决了像RSI这样的静态模型的关键局限性，后者假设基因贡献在不同肿瘤类型中是统一的，并丢弃了表达幅度和基因-基因相互作用。我们的结果表明，元学习对未见样本提供了鲁棒的泛化能力，并在放射敏感性变异性高的肿瘤亚组（如腺癌和大细胞癌）中表现良好。通过学习跨任务的可迁移结构，同时保留样本特异性的适应性，我们的方法能够快速适应个体样本，提高跨不同肿瘤亚型的预测准确性，同时揭示可能为个性化治疗提供信息的基因影响的上下文依赖模式。