MétaCan
Menu
Retour à la cohorte
Enregistrement W4412163702 · doi:10.1158/1557-3265.aimachine-pr-05

Abstract PR-05: Learning the Language of Somatic Mutations: A Large Language Model Approach to Precision Oncology

2025· article· en· W4412163702 sur OpenAlexaboutno aff
John-William Sidhom

Notice bibliographique

RevueClinical Cancer Research · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBiomedical Text Mining and Ontologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPrecision oncologySomatic cellOncologyMedicineComputational biologyLanguage modelNatural language processingInternal medicineComputer scienceArtificial intelligenceBiologyGeneticsCancerGene

Résumé

récupéré en direct d'OpenAlex

Abstract The interpretation of somatic mutations in cancer remains challenging due to complex patterns of co-occurring variants and their clinical implications. Traditional approaches often analyze mutations in isolation, missing crucial contextual relationships that influence tumor behavior and treatment response. Large language models, having revolutionized natural language processing, offer a promising framework for understanding mutations in context. Just as words derive meaning from surrounding text, variants are better understood through their co-occurrence patterns, making this approach particularly powerful for precision oncology where each patient's unique combination of mutations tells a distinct disease story. We developed a transformer-based model that learns representations of somatic variants by considering both local sequence context and global co-occurrence patterns. Each variant is defined by its reference sequence, alteration, and flanking genomic context. The model architecture incorporates dual attention mechanisms: local attention between variants and their sequence context, and global attention between co-occurring variants within patients. Training utilized a masked prediction task where 20% of variant alterations were masked, and patient-level representations were generated by computing weighted averages of variant embeddings, with weights determined by variant allele frequencies (VAF) to capture tumor-specific mutational signatures. Sample-level representations proved highly effective for tumor type classification across both whole exome sequencing data from the TCGA (AUC=0.911, 33 cancer types) and targeted panel sequencing data from AACR Project GENIE's MSK-IMPACT cohort (AUC=0.880, 117 cancer types). These representations stratified patient progression-free survival in multiple TCGA cancer subtypes (p-values: colon=0.021, breast=0.033, pancreatic=0.002; multivariate log-rank), and early-stage colorectal (p = 0.037) and lung (p = 0.001) cancers in GENIE BPC cohorts, identifying distinct prognostic groups. Finally, analysis of learned attention weights through graph-based community detection revealed novel patterns of mutational dependencies, providing insights into how key mutations drive mutagenic processes. This work demonstrates that treating cancer mutations as a language enables powerful representations of personal cancer genomics, with implications spanning tumor classification, prognostic stratification, and biological discovery. Our approach, which leverages both local sequence context and global mutation co-occurrence patterns, generalizes from whole exome to panel sequencing data, facilitating integration into clinical workflows. The model's ability to identify prognostic subgroups and reveal mutational dependencies suggests its potential utility in advancing personalized treatment strategies. Citation Format: John-William Sidhom. Learning the Language of Somatic Mutations: A Large Language Model Approach to Precision Oncology [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr PR-05.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,138
Tête enseignante GPT0,542
Écart entre enseignants0,404 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical Cancer ResearchMême sujetBiomedical Text Mining and OntologiesTravaux en français237 207