DDSBC:一种基于堆叠集团分类器的方法来预测乳腺癌药物对细胞协同效应
Aamir Mehmood1, Aman Chandra Kaushik1, Dong-Qing Wei1
1State Key Laboratory of Microbial Metabolism, Joint International Research Laboratory of Metabolic & Developmental Sciences, and School of Life Sciences and Biotechnology, Shanghai Jiao Tong University, Shanghai 200030, P. R. China.
Journal of chemical information and modeling
|August 8, 2024
概括
一个新的机器学习模型,乳腺癌药物协同作用 (DDSBC),准确地预测了专门用于乳腺癌治疗的协同作用药物组合. 这种专门的方法优于一般模型,有助于发现有效的乳腺癌治疗方法.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 药理学 药理学是指药理学的学科.
背景情况:
- 乳腺癌 (BC) 是一个主要的全球健康问题,发病率不断上升.
- 药物联合治疗对于提高治疗疗效至关重要.
- 鉴定协同作用药物对是具有挑战性的,因为大量的可能性.
研究的目的:
- 开发一个专门的机器学习模型来预测乳腺癌药物对协同效应.
- 解决针对特定癌症类型表现不佳的一般模型的局限性.
- 改进用于乳腺癌治疗的有效药物组合的识别.
主要方法:
- 开发一个叫做乳腺癌药物协同作用 (DDSBC) 的堆叠组合分类器.
- 独家培训和验证DDSBC的乳腺癌数据.
- 与经典机器学习和深度学习模型进行比较分析.
主要成果:
- 与现有模型相比,DDSBC在乳腺癌数据集上表现优越.
- 专业化模型在测试和独立数据集中始终排名最高.
- 废弃研究证实了DDSBC架构的稳定性和有效性.
结论:
- DDSBC为乳腺癌药物对协同作用分类提供了一种专注和有效的方法.
- 该模型作为一种有价值的工具,用于在BC中识别协同作用或对抗作用的药物对.
- DDSBC为推进乳腺癌治疗策略提供了关键的见解.
