バイオマーカーシグネチャを使用して,機械学習駆動の多標的薬の発見

科学分野:

• コンピュータによる腫瘍学
• バイオ情報学
• 医療における人工知能

背景:

• 大腸がん (CC) の分子経路を理解し,標的治療のための重要な遺伝子を特定するには,依然として課題があります.
• 遺伝子発現と変異プロファイルなどの分子データを活用することは,CCにおける多標的治療の進歩に不可欠です.
• 現在の治療戦略では 薬剤への反応を予測し 薬剤耐性に対処する方法を改善する必要があります

研究 の 目的:

• パーソナライズされた結腸がん (CC) 治療のための統合コンピューティングフレームワークを開発し,検証する.
• 先進的なAIアルゴリズムを使用して治療結果と薬物反応の予測を強化します.
• 薬剤耐性や精密薬の必要性など,CC治療における課題に取り組むこと.

主な方法:

• 高次元遺伝子発現,変異データ,タンパク質相互作用ネットワークからのバイオマーカーシグネチャの統合.
• アダプティブ・バクテリア・フォーージング (ABF) の最適化を適用し,検索パラメータを洗練し,予測精度を最大化する.
• 分子プロファイルと薬剤反応の予測に基づく患者の分類のためのCatBoostアルゴリズムの利用.

主要な成果:

• 提案されたABF-CatBoostシステムは,従来の機械学習モデルよりも優れた性能を示し,98.6%の精度,0.984の特異性,0.979の感度,および0.978のF1スコアを達成しました.
• このモデルは毒性リスク,代謝経路,薬効性プロファイルを正確に予測し,より安全で効果的な治療に寄与します.
• 外部検証により,個別化された結腸がん治療におけるモデルの予測的正確性と一般化性が確認された.

結論:

• 開発されたAIモデルは,患者特有の分子プロファイルに基づいて個別化された治療法により,大腸がん (CC) の精密医療を大幅に改善します.
• このコンピューティング・フレームワークは,多目的の治療アプローチを提供し,薬剤耐性に対処し,薬剤選択と投与量を最適化します.
• フレームワークの適応性により,他のがんの種類にも適応し,個別化されたがん治療への影響を拡大し,薬剤発見を加速させることができます.