2MO Personalised therapy in CUP: A feasibility study of Bayesian AI digital twins using ctDNA
Notice bibliographique
Résumé
Background: Cancer cachexia impairs patient survival, marked by muscle wasting and metabolic disruption.Conventional muscle biopsies make continuous assessment and large-scale screening impractical.Blood DNA methylation profiles offer a promising non-invasive alternative, reflecting tissue-specific gene regulation patterns and enabling cross-tissue transcriptome prediction for cachexia risk assessment in cancer patients. Methods:We developed a Transformer-based deep learning framework to predict muscle tissue transcriptome expression from blood methylation data.Using multicentre database (15,606 samples), we trained a model integrating CpG site chromosomal position information and functional annotations.We employed GTEx database to develop a cross-tissue transcriptome prediction model using transfer and reinforcement learning strategies.The framework was applied to glioma patients' blood methylation data to predict virtual muscle transcriptome profiles.We analyzed similarity between predicted profiles and known cachexia transcriptomes using cosine similarity, Pearson correlation coefficient, and Manhattan distance metrics.Additionally, we integrated IDH mutation status data to assess its relationship with cachexia risk.Results: Our Transformer model achieved high accuracy in predicting gene expression from methylation data (Pearson correlation coefficient = 0.89).The cross-tissue prediction model maintained robust performance when transferring to muscle tissue prediction (Pearson correlation coefficient = 0.87).Importantly, IDH-wildtype gliomas showed significantly stronger association with abnormal expression of cachexia-related genes in predicted muscle transcriptomes compared to IDH-mutant tumors.Our CNN model for predicting the relationship between IDH mutation status and muscle gene expression patterns achieved 0.9733 accuracy. Conclusions:This study enables non-invasive monitoring of molecular changes in muscle tissue without requiring biopsies.This novel strategy offers a valuable tool for early prediction of cancer cachexia in glioma patients, with potential applications across multiple cancer types.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».