OrderCombo: Aprendizaje Profundo Consciente del Orden para la Predicción de Beneficios de Combinaciones de Fármacos...

Área de la Ciencia:

• Biología computacional
• Descubrimiento de fármacos
• Aprendizaje automático en oncología

Sus antecedentes:

• La terapia combinada de fármacos ofrece mejores resultados en el tratamiento del cáncer con menor toxicidad en comparación con la monoterapia.
• La predicción computacional de la sinergia de fármacos es crucial para acelerar el descubrimiento terapéutico.
• Los métodos existentes a menudo utilizan clasificación binaria o regresión, pero se necesita una categorización matizada y consciente del orden de los beneficios de las combinaciones de fármacos.

Objetivo del estudio:

• Desarrollar un novedoso modelo de aprendizaje profundo consciente del orden, OrderCombo, para predecir los beneficios de las combinaciones de fármacos de varios niveles en el cáncer.
• Mejorar la precisión de la predicción y la generalización de la detección computacional de combinaciones de fármacos.
• Facilitar el descubrimiento de nuevas combinaciones de fármacos contra el cáncer con diferentes niveles terapéuticos.

Principales métodos:

• OrderCombo utiliza un modelo de lenguaje químico preentrenado para la representación de fármacos y una red lineal orientada a ómicas para la representación de líneas celulares.
• Un codificador híbrido fusiona las representaciones de fármacos y líneas celulares utilizando mecanismos de concatenación y atención.
• Se emplea una función de pérdida contrastiva ordinal para mejorar la incrustación discriminatoria y mantener la ordinalidad de la clase.

Principales resultados:

• OrderCombo supera a los métodos de referencia de última generación en la predicción de los beneficios de las combinaciones de fármacos en un conjunto de datos a gran escala.
• El modelo demuestra una generalización robusta a pares de fármacos y líneas celulares no vistos.
• Los resultados in silico y los estudios de caso resaltan el potencial de OrderCombo para descubrir nuevas combinaciones de fármacos contra el cáncer.

Conclusiones:

• OrderCombo proporciona un marco eficaz para predecir los beneficios matizados de las combinaciones de fármacos, yendo más allá de la simple predicción de sinergia.
• El enfoque consciente del orden mejora la precisión y la relevancia clínica del descubrimiento computacional de fármacos.
• Este modelo tiene una gran promesa para avanzar en la terapia del cáncer personalizada a través de combinaciones de fármacos optimizadas.