Abstract LB395: NetraAI-driven discovery of novel biomarkers in MSI-high colon cancer for precision immunotherapy
Notice bibliographique
Résumé
Abstract By leveraging NetraAI, a novel machine learning (ML) approach, we identify potential biomarkers in microsatellite instability-high (MSI-H) colon cancer. MSI, marked by DNA mismatch repair (MMR) defects characterizes 5-20% of colorectal cancers (CRCs). MSI-H tumors harbor higher mutational burdens, produce neoantigens, and enhance immune recognition and responsiveness to immunotherapy. The innovative Sub-Insight Learning approach of NetraAI, allows us to overcome challenges associated with smaller data sets not reflecting the totality of the disease they represent. This approach utilizes a set of validated mathematical methods to identify sub-insights about patients even from small data sets. This allows the system to decompose the data sets into high and low confidence patient subpopulations, enhancing predictive model accuracy and reducing overfitting. Further, the system explains what variables are driving the etiology defining the subpopulations of patients. Utilizing a small data set consisting of 141 RNA expression profiles of CRC samples (E-GEOD-41258) with MSI-H and MSI-low colon cancer, we were able to derive several unique insights into patients’ molecular profiles. NetraAI analysis identified several unique variables, including CATSPERB, FUT8, PLLP, DUSP4, and MLPH that may play significant roles in MSI-H colon cancer pathology. These markers hold potential for personalizing clinical trials as well as potential therapeutic targets. Furthermore, protein-protein interaction (PPI) networks revealed co-expression and co-localizations that exist amongst these genes, suggesting a complex interplay among these genes, particularly in the context of spermatogenesis. The application of NetraAI and its Sub-Insight Learning paradigm has revealed novel insights into the molecular profile of MSI-H colon cancer. These findings pave the way for more targeted and effective precision immunotherapy strategies, demonstrating the power of AI in advancing the understanding and treatment of complex cancers. Citation Format: Bessi Qorri, Mike J. Tsay, Paul Leonchyk, Larry Alphs, Luca Pani, Joseph Geraci. NetraAI-driven discovery of novel biomarkers in MSI-high colon cancer for precision immunotherapy [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2024; Part 2 (Late-Breaking, Clinical Trial, and Invited Abstracts); 2024 Apr 5-10; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2024;84(7_Suppl):Abstract nr LB395.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».