从细胞系到癌症患者:个性化药物协同效应预测

科学领域:

• 计算生物学是一种计算生物学.
• 药物基因组学 药物基因组学
• 机器学习在瘤学中

背景情况:

• 组合药物疗法对于癌症治疗至关重要,但由于患者的遗传异质性和药物配对的广搜索空间,它们面临着挑战.
• 目前的in silico预测方法通常依赖于癌细胞系数据,限制了它们的临床适用性.
• 用于训练复杂模型的患者衍生数据很少,尽管单药反应数据更容易获得.

研究的目的:

• 开发一个深度学习框架,以个性化预测癌症患者的药物协同作用.
• 为了使患者特定的单药反应数据能够用于定制的协同效应预测.
• 提高临床环境中in silico药物组合预测的准确性.

主要方法:

• 提出了一个深度学习框架,个性化深度协同预测器 (PDSP).
• 接受药物结构和大规模细胞系基因表达数据的PDSP培训,以学习协同效应得分和单一药物反应.
• 微调模型使用患者基因表达数据和ex vivo单药反应测量以进行个性化预测.

主要成果:

• 在三名白血病患者的数据上评估了PDSP.
• 与仅在癌症细胞系数据上训练的模型相比,预测准确度有27%的改善.
• 展示了框架使用患者特定信息来定制药物协同效应预测的能力.

结论:

• 个性化深度协同预测器 (PDSP) 有效地利用患者特定的数据来改善药物协同预测.
• 这种方法解决了依赖细胞系数据的传统方法的局限性,为更个性化的癌症治疗铺平了道路.
• 在临床瘤学中,PDSP为优化组合药物选择提供了一个有前途的计算工具.