通过基因组资料和SMILES预测抗癌药物活性
Maryam Abbasi1, Filipa G Carvalho2, Bernardete Ribeiro2
1Centre for Informatics and Systems of the University of Coimbra, Department of Informatics Engineering, University of Coimbra, Coimbra, Portugal; Polytechnic Institute of Coimbra, Applied Research Institute, Coimbra, Portugal; Research Centre for Natural Resources Environment and Society (CERNAS), Polytechnic Institute of Coimbra, Coimbra, Portugal.
这项研究引入了两种深度神经网络模型,以利用遗传和化学数据预测抗癌药物的有效性. 这些模型准确地预测药物反应 (IC50),改善个性化癌症治疗策略.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 药理学 药理学是指药理学的学科.
背景情况:
- 癌症是导致死亡的主要原因,需要改进检测和治疗.
- 个性化医学旨在根据个体的变化量身定制治疗方法.
- 预测瘤对抗癌药物的敏感性仍然是一个重大挑战.
研究的目的:
- 开发深度神经网络模型来预测抗癌药物影响.
- 估计药物对瘤的半最大抑制度 (IC50).
- 整合生物和化学数据以提高药物反应预测.
主要方法:
- 使用的循环神经网络 (RNN) 和卷积神经网络 (CNN).
- 预训练自编码器对高维瘤基因表达和突变数据进行预训练.
- 综合基因概况和药物化合物特征用于预测.
主要成果:
- 在深度模型中,RSEM在基因表达数据方面表现优于TPM.
- 通过CNN,人们可以更好地了解基因表达数据.
- 在IC50预测中达到1.06的平均平方误差,超过了之前的先进模型.
结论:
- 深度表示有效预测药物的效力 (IC50).
- 拟议的模型显示了个性化癌症治疗的巨大潜力.
- 这项研究推动了癌症细胞系中药物反应的预测.
更多相关视频
07:48Utilizing Functional Genomics Screening to Identify Potentially Novel Drug Targets in Cancer Cell Spheroid Cultures
Published on: December 26, 2016
10:05Genome-wide Mapping of Drug-DNA Interactions in Cells with COSMIC Crosslinking of Small Molecules to Isolate Chromatin
Published on: January 20, 2016
