药物特异性基因选择用于药物反应预测,通过通过传播和学习生物网络进行重新排名

科学领域:

• 计算生物学和生物信息学
• 基因组学和系统生物学
• 药物基因组学和个性化医学

背景情况:

• 药物反应预测对于个性化医疗至关重要,可以根据遗传特征进行量身定制的治疗.
• 药物通过扰乱复杂的生物网络中的特定蛋白质和基因来影响细胞反应.
• 鉴定药物特异性基因 (生物标志物) 是了解药物机制和提高治疗疗效的关键.

研究的目的:

• 开发一种先进的计算模型,用于准确预测药物反应.
• 识别和选择生物相关的,驱动细胞反应的药物特异性基因.
• 促进生物标志物的发现,以预测药物的疗效和毒性.

主要方法:

• 拟议的DGDRP是一种基于图形神经网络 (GNN) 的模型,用于药物特异性基因选择.
• 采用了一种新的等级和再等级策略,整合了路径知识和学习的基因/药物标嵌入.
• 利用网络传播和GNN嵌入来识别与药物机制相关的基因.

主要成果:

• 与现有的基因选择方法相比,DGDRP证明了药物反应预测准确度的提高.
• 该模型的性能与最先进的深度学习方法相提并论.
• 案例研究证实,选定的基因组与已知的药物作用机制保持一致.

结论:

• 总监局提供了基于深度学习的强大重新排名框架,以提高药物反应预测.
• 该模型有效地整合了适应性基因选择的生物学途径和语义关系.
• 总干事办公室促进了准确的药物反应预测和新生物标志物发现.