一个具有背景意识的解混自编码器,可从细胞系化合物查中对个性化临床药物反应进行可靠的预测

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
• 机器学习在药物发现中的作用

背景情况:

• 个性化药物发现需要准确预测患者对新型化合物的特定反应.
• 有限的患者数据阻碍了通用机器学习模型的训练.
• 使用细胞系数据进行临床反应预测的现有方法由于数据异质性和分布转移而不可靠.

研究的目的:

• 从细胞系化合物查开发一种用于预测患者特异性临床药物反应的新方法.
• 为了应对数据稀缺性,异质性和分布转移在预测建模中的挑战.
• 提高针对个性化医学的药物反应预测的准确性和稳定性.

主要方法:

• 开发了一种全新的情境感知解混自动编码器 (CODE-AE).
• CODE-AE通过减轻特定环境的模式和混因素来提取内在的生物信号.
• 对最先进的方法进行了广泛的比较研究.

主要成果:

• CODE-AE有效地缓解了分布之外的问题,提高了模型的通用化.
• 与现有方法相比,在准确性和稳定性方面取得了显著的改进.
• 在9,808名癌症患者中成功预测了59种药物的反应,与临床观察一致.

结论:

• CODE-AE提供了一个强大的解决方案,可以从细胞系数据中预测患者特定的药物反应.
• 该方法显示了开发个性化治疗和识别药物反应生物标志物的潜力.
• CODE-AE通过克服关键数据限制,推进了个性化药物发现和开发领域.