Um estudo publicado em 23 de maio de 2026 na Scientific Reports descreve um modelo de machine learning explicável capaz de identificar características e limiares preditivos da resposta à imunoterapia em melanoma, usando dados de 229 amostras de sequenciamento.
Metodologia e Dados Utilizados no Estudo
O trabalho integrou características clínicas com sequenciamento de DNA e RNA de 229 amostras de melanoma. Os modelos foram treinados em 138 amostras com testes estatísticos Mann-Whitney U (p ≤ 0,05) e valores SHAP; o random forest mostrou melhor desempenho em coorte independente de 53 pacientes.
Características Identificadas e Validação em Subgrupos
Os recursos preditivos incluem características de mutação, abundância de tipos de células imunes e expressão de LAG3. Os testes abrangeram casos de doença estável (n=15) e melanoma não cutâneo (n=23), permitindo avaliar o modelo em cenários clínicos variados.
Contribuição dos Valores SHAP e Autores Envolvidos
Os valores SHAP inferiram limiares numéricos que distinguem boa de ruim resposta à imunoterapia. Os autores incluem Khoa A. Tran, Venkateswar Addala e outros, com Khoa A. Tran e Nicola Waddell como autores correspondentes; o preprint anterior data de 25 de março de 2025 no bioRxiv.