Neues Modell enthüllt Mechanismen der Immuntherapie-Resistenz bei Krebs

Ein neu entwickeltes Deep-Learning-Modell namens Biologically Disentangled Variational Autoencoder (BDVAE) liefert erstmals detaillierte Einblicke in die biologischen Ursachen, warum manche Krebspatienten nicht auf Immun-Checkpoint-Inhibitoren (ICIs) ansprechen. Das Modell kombiniert Transkriptomik und Genomik über modulare, pfadenspezifische Encoder und nutzt Variationsinferenz, um biologisch sinnvolle latente Merkmale zu extrahieren.

In einer Pan‑Cancer‑Studie mit 366 Patienten aus vier Tumortypen erreichte BDVAE eine beeindruckende Vorhersagegenauigkeit (AUC‑ROC = 0,94) auf bislang nicht gesehenen Testdaten. Dabei wurden zentrale Resistenzmechanismen identifiziert, darunter Immunsuppression, metabolische Umstellungen und neuronale Signalisierung. Das Modell zeigt, dass Resistenz nicht als binärer Zustand, sondern als kontinuierlicher biologischer Spektrum vorliegt, was die Komplexität der Tumor‑Dysfunktion besser widerspiegelt.

Besonders hervorzuheben ist, dass mehrere latente Features mit Überlebensraten und bekannten klinischen Subtypen korrelieren. Damit demonstriert BDVAE, dass biologisch strukturierte maschinelle Lernansätze nicht nur hochpräzise Vorhersagen liefern, sondern auch interpretierbare, klinisch relevante Erkenntnisse generieren können. Diese Fortschritte unterstreichen das Potenzial, die Behandlung von Krebspatienten durch gezielte, datenbasierte Therapieentscheidungen zu verbessern.