Pathway‐Informed Machine Learning Identifies Genetic Predictors of High‐Dose Methotrexate‐Induced Mucositis in Pediatric Acute Lymphoblastic Leukemia
Notice bibliographique
Résumé
High-dose methotrexate for pediatric cancer treatment is frequently associated with mucositis, which can lead to delayed or discontinued treatment and impact survival. While individual genetic variants have been implicated, the cumulative impact of genetic variation within relevant biological pathways remains unexplored. We evaluated single nucleotide polymorphisms across 18 pathways previously identified as relevant to mucositis in 278 pediatric patients with acute lymphoblastic leukemia from six academic health centers across Canada. Pathway enrichment was assessed using the Joint Association of Genetic variants tool, and a predictive model was developed using XGBoost, a supervised machine learning algorithm based on gradient-boosted decision trees. Pathway enrichment identified significant associations in IL6 (P = 0.04) and WNT/β-catenin (P = 0.048) signaling pathways. The predictive model (area under the curve [AUC] = 0.76) highlighted single nucleotide polymorphisms associated with inflammation- and mucosa-related genes, including PRKCD, IL17B, MAST3, and CAPN9, with both risk and protective effects. Model performance dropped by 0.15 in AUC (from 0.76 to 0.61) after removing single nucleotide polymorphism features, underscoring their predictive value. This pathway-informed approach identifies genetic contributors to methotrexate-induced mucositis and supports polygenic risk prediction. Our findings provide a foundation for individualized toxicity risk profiling and suggest potential therapeutic targets to mitigate treatment-limiting mucositis in pediatric oncology.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».