德尔福斯-利用分叉和专业网络的药物疗效-在基于多omics的癌症敏感性预测中对scRNA-seq数据进行基准测试

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 癌症对全球健康构成重大挑战,高死亡率和复杂的细胞异质性导致药物耐药性.
• 目前的抗癌药物治疗可能会产生严重的副作用,需要个性化治疗策略.
• 确定针对单个瘤的最佳药物组合是研究的一个关键领域.

研究的目的:

• 开发一种新的计算算法,用于预测癌症中药物反应.
• 为了利用多omics和结构数据进行准确的药物敏感性预测.
• 通过先进的预测建模改进个性化癌症治疗策略.

主要方法:

• 开发了利用药物有效性的分叉和专业网络 (DELFOS),一种新的药物反应预测算法.
• 训练了模型,使用来自65多个癌细胞系的多omics数据和来自200多个化合物的结构数据.
• 整合了单细胞表达数据,并对未见的细胞系和药物验证了模型,将性能与最先进的方法进行比较.

主要成果:

• 德尔福斯在多个相关性和错误指标上表现出高的预测性能.
• 该算法有效地利用多omics数据来预测许多药物-细胞系对中的药物反应.
• 验证证实了DELFOS对新数据集的概括能力,优于现有的算法.

结论:

• 德尔福斯提供了一种有效的计算方法来预测癌症药物疗效.
• 该算法通过为特定瘤选择最佳化合物来促进个性化医疗.
• 德尔福斯的管道和数据是公开的,促进了癌症治疗的进一步研究和应用.