DeepDRA:使用与自动编码器的多omics数据集成进行药物重用
Taha Mohammadzadeh-Vardin1, Amin Ghareyazi1, Ali Gharizadeh1
1Department of Computer Engineering, Bioinformatics and Computational Biology Lab, Sharif University of Technology, Tehran, Iran.
PloS one
|July 26, 2024
概括
这项研究引入了一个深度学习模型,用于使用多omics数据预测癌症药物反应,改进药物重定向. 该模型在现有方法上表现出卓越的性能,推进了精确的癌症治疗.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 机器学习在瘤学中
背景情况:
- 癌症治疗面临的挑战是昂贵且耗时的药物开发.
- 药物重新利用提供了一个有希望的途径,机器学习显示了潜力.
- 深度学习方法在预测癌症药物反应方面超过了经典机器学习.
研究的目的:
- 开发一种深度学习模型来预测癌症药物反应.
- 利用多omics数据,药物描述符和指纹进行增强的预测.
- 为了促进新型癌症治疗药物的药物再利用.
主要方法:
- 开发了一个集成自动编码器的深度学习模型,以减少多omics数据的维度.
- 采用了多任务学习方法,将自动编码器与多层感知器 (MLP) 连接起来.
- 在三大数据集上验证了模型:癌症药物敏感性基因组学 (GDSC),癌症治疗反应门户网站 (CTRP) 和癌症细胞系百科全书 (CCLE).
主要成果:
- 该模型在数据集中始终超过了最先进的方法,实现了0.99.9的精度回忆曲线下的面积 (AUPRC).
- 在交叉数据集评估 (例如,GDSC培训,CCLE测试) 中,该模型获得了0.72的AUPRC,超过了之前的工作.
- 与现有模型相比,展示了优越的概括能力.
结论:
- 介绍了一种新的深度学习模型,用于准确预测癌症药物反应.
- 该模型促进了有效的药物重定位,可能加速新癌症药物的发现.
- 突出了先进深度学习在推进精确癌症治疗方面的巨大潜力.
