用机器学习方法对突变亚型特定的LUAD中药物反应的广泛预测

科学领域:

• 基因组学和计算生物学
• 癌症治疗方法和药物发现
• 精准医学中的机器学习

背景情况:

• 肺腺癌 (LUAD) 是全球癌症死亡的主要原因,治疗失败通常是由药物耐药性驱动的.
• 瘤异质性,以多样化的遗传,表观遗传和表型细胞群体为特征,使治疗复杂化,并导致复发.
• 了解药物反应的分子驱动因素对于克服LUAD中耐药性至关重要.

研究的目的:

• 确定与非小细胞肺癌 (NSCLC) 药物反应相关的mRNA和突变特征.
• 开发和比较机器学习 (ML) 模型,以根据分子特征预测药物反应.
• 调查已识别的分子特征对LUAD亚型的预后影响.

主要方法:

• 利用癌症药物敏感性基因组学 (GDSC) 数据库对NSCLCmRNA表达,突变档案和药物敏感性数据.
• 采用ML算法,包括随机森林 (RF),人工神经网络 (ANN) 和支持矢量机器 (SVM) 进行响应预测.
• 验证了预测模型,并确定了特定药物反应的关键分子特征 (mRNA和突变).

主要成果:

• 在46种药物中确定了1564个基因和45个突变特征.
• 支持矢量机 (SVM) 实现了高准确度 (AUC 0.875) 预测使用特定基因和突变标志物的Afuresertib反应.
• 人工神经网络 (ANN) 在使用9个mRNA特征对Gefitinib反应预测表现强 (AUC为0.780).

结论:

• 机器学习有效地识别了在LUAD中预测药物反应的分子特征.
• 提出了一种基于ML的优先算法,用于预测NSCLC中各种治疗剂的药物疗效.
• 这些发现为开发向疗法和改善肺癌患者治疗策略提供了基础.