癌症中治疗树的概率学习
应用统计
2023-10-31 v1
摘要
准确识别协同治疗组合及其潜在生物学机制在许多疾病领域尤其是癌症中至关重要。在转化肿瘤学研究中，诸如患者来源异种移植（PDX）等临床前系统已成为一种独特的研究设计，用于评估施用于植入基因相同小鼠的同一人类肿瘤样本的多重治疗。在本文中，我们提出了一种针对 PDX 数据的新型贝叶斯概率树框架，通过推断治疗聚类树（称为治疗树，Rx-tree）来研究治疗之间的层次关系。该框架提出了一种衡量两种或多种治疗之间机制相似性的新度量，考虑了树估计中的固有不确定性；估计相似性高的治疗具有潜在的较高机制协同性。基于 Dirichlet 扩散树，我们推导了编码树结构的闭式边际似然，从而通过一种新的两阶段算法实现计算高效的 posterior 推断。模拟研究证明了所提方法在恢复树结构和治疗相似性方面的优越性能。我们对近期整理的 PDX 数据集的分析产生的治疗相似性估计，与五种不同癌症中跨治疗的已知生物学机制表现出高度一致性。更重要的是，我们发现了新的且潜在有效的组合疗法，其对特定下游生物学通路具有协同调控作用，可供未来临床研究。我们的配套代码、数据和用于结果可视化的 shiny 应用可在：https://github.com/bayesrx/RxTree 获取。
引用
@article{arxiv.2201.09371,
title = {Probabilistic Learning of Treatment Trees in Cancer},
author = {Tsung-Hung Yao and Zhenke Wu and Karthik Bharath and Jinju Li and Veerabhadran Baladandayuthapan},
journal= {arXiv preprint arXiv:2201.09371},
year = {2023}
}