マルチソースデータを活用した薬理ゲノムデータセット間の不整合解消による薬剤感受性予測

科学分野:

• 計算生物学
• 薬理ゲノム学
• 生物医学データサイエンス

背景:

• 薬理ゲノムデータセットは、バイオマーカー同定と薬剤応答予測に不可欠である。
• 既存のモデルは、腫瘍内不均一性、実験的変動、細胞サブタイプの複雑さに起因する不整合により、しばしば性能が低下する。
• これらの不整合は、予測モデルの一般化を制限する。

主な方法:

• 集約学習（AL）に基づく新しい計算モデルを提案した。
• ALモデルは、Cancer Cell Line Encyclopedia（CCLE）、Genomics of Drug Sensitivity in Cancer（GDSC2）、cancer-genomics.org（gCSI）の3つの薬理ゲノムデータセットから得られた重複する不整合データポイントでトレーニングされた。
• ALモデルの性能を、Selecting Better（SB）、Result Average（RA）、Combining Data（CD）、Model Average（MA）の4つのベースライン法と比較した。

結論:

• 薬理ゲノムデータセットの内外の不整合に対処することは、薬剤応答予測モデルの改善に不可欠である。
• 提案された集約学習（AL）モデルは、堅牢で一般化可能な薬剤応答予測のための有望なソリューションを提供する。
• このアプローチは、より正確なバイオマーカー同定と治療選択を通じて、個別化医療を進歩させる可能性を秘めている。