针对抗癌药物组合的机器学习模型:分析,预测和验证
Jing-Bo Zhou1, Dongyang Tang1, Lin He1
1Cancer Center, Faculty of Health Sciences, University of Macau, Macau SAR, China; Centre for Precision Medicine Research and Training, Faculty of Health Sciences, University of Macau, Macau SAR, China.
确定用于癌症治疗的协同药物组合是具有挑战性的. 这项研究开发了机器学习模型来预测有效的药物对,在实验室实验中验证了它们,并确定了Lapatinib和Pazopanib作为乳腺癌的有希望的组合.
科学领域:
- 在瘤学瘤学.
- 药理学 药理学是指药理学的学科.
- 计算生物学 计算生物学
背景情况:
- 药物组合疗法增强了抗癌疗效,克服了抗药性.
- 选所有可能的药物组合是不切实际的,因为大量.
- 对协同作用药物对的有限生物学理解阻碍了合理的选择.
研究的目的:
- 系统地分析药物组合数据,以确定协同作用的对.
- 开发和验证用于预测协同药物组合的机器学习模型.
- 发现协同作用药物对的潜在生物标志物.
主要方法:
- 来自多个数据库的药物组合数据集的系统分析.
- 基于作用机制 (MoA) 的药物对的分类.
- 使用2D细胞系和3D瘤切片培养 (3D-TSC) 的机器学习模型的开发和验证.
- 纳入分子特征和蛋白质-蛋白质相互作用网络,用于生物标记物识别.
主要成果:
- 确定了110个MoA对,在各种癌症中显著增强了协同作用.
- 机器学习模型实现了对协同药物效应的更好的预测性能.
- 通过向PI3K/AKT/mTOR通路,验证了拉帕提尼布和帕佐帕尼布的组合在乳腺癌中具有治疗效果.
- 通过蛋白质-蛋白质相互作用,确定了与药物点相关的潜在生物标志物.
结论:
- 这项研究提供了一种数据驱动的方法来预测用于癌症治疗的协同药物组合.
- 机器学习模型为识别有效的药物对提供了实际实用性,通过实验模型进行验证.
- 这些发现指导了合理的药物组合开发,并强调了拉帕提尼布-帕佐帕尼布作为乳腺癌有前途的治疗策略.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
15:04Potentiation of Anticancer Antibody Efficacy by Antineoplastic Drugs: Detection of Antibody-drug Synergism Using the Combination Index Equation
Published on: January 19, 2019
相关概念视频
Combination Therapies and Personalized Medicine
The combination of the drug acetazolamide and sulforaphane is a good example of combination therapy to treat cancer. The cells in the interior of a large tumor often die due to the hypoxic and...
Treatment Resistant Cancers
Cancer Survival Analysis
Mouse Models of Cancer Study
The development of transgenic, knockout, and knock-in mice has led to an exponential increase in their use as model organisms in research,...
Targeted Cancer Therapies
There are several types of targeted therapies against...
