药物协同效应预测的新方法:一个迷你回顾

科学领域:

• 计算机化药物发现.
• 生物信息学是一种生物信息学.
• 在药理学中的机器学习.

背景情况:

• 药物组合治疗对于克服耐药性和提高治疗疗效至关重要.
• 高通量组合查 (HTCS) 产生了大量的数据集,用于识别协同作用的药物对.
• 通过计算预测药物协同作用,可以加速发现有效的组合疗法.

研究的目的:

• 审查和分析用于预测药物组合协同作用的最新机器学习 (ML) 方法.
• 为这些预测模型中使用的技术,数据和方法提供统一的视角.
• 在不同的预测场景中评估当前方法的性能.

主要方法:

• 自2021年以来发表的30多种基于ML的药物协同效应预测方法的系统审查.
• 分析重点是核心技术 (主要是深度学习),数据源,输入类型和协同得分.
• 预测场景的评估 (已知与新药/细胞系) 和相关的性能指标.

主要成果:

• 基于ML的方法显著增加,深度学习主导了最近的进展.
• 当前最先进的方法在预测已知药物和细胞系的协同作用方面取得了很高的准确性.
• 当处理新药或在培训数据中不存在的细胞系时,预测准确性显著下降.

结论:

• 机器学习已迅速推进药物组合协同预测,特别是在已建立的实体.
• 在准确预测新药或细胞系的协同作用方面仍然存在一个关键的差距,突出显示了未来研究的领域.
• 需要进一步开发,以提高这些计算方法在新型治疗环境中的通用性和预测能力.