ResisenseNet混合神经网络模型用于预测乳腺癌的药物敏感性和重定位
Anush Karampuri1, Bharath Kumar Jakkula1, Shyam Perugu2
1Department of Biotechnology, National Institute of Technology, Warangal, 500604, India.
Scientific reports
|October 13, 2024
概括
ResisenseNet使用一种新的AI模型预测乳腺癌的耐药性. 它确定了新的药物重定向机会,提高了化疗的有效性,并提供了新的治疗途径.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 乳腺癌是全球主要的健康问题,耐药性严重限制了治疗疗效.
- 转录因子和遗传突变是乳腺癌治疗耐药性的关键驱动因素.
- 开发药物敏感性的预测模型对于个性化癌症治疗至关重要.
研究的目的:
- 开发和验证ResisenseNet,一种用于评估癌症药物敏感性和耐药性的预测模型.
- 利用ResisenseNet重新利用现有的抗癌药物用于乳腺癌治疗.
- 通过发现具有对乳腺癌预测敏感性的药物来确定新的治疗策略.
主要方法:
- 开发了ResisenseNet,这是一个混合的1D-CNN+LSTM和DNN模型,集成转录因子表达,基因组标记,药物和分子描述器.
- 在各种癌症数据集上训练并验证了该模型,实现了高预测精度 (0.9794验证精度).
- 应用ResisenseNet来预测14种癌症类型的药物敏感性,重点关注乳腺癌药物重用.
主要成果:
- ResisenseNet展示了强大的预测性能,超过了现有的模型.
- 确定了14种具有针对乳腺癌的预测抗癌活性的药物,这些药物以前没有用于这种适应症.
- 这些新型药物向关键的信号通路,与乳腺癌的进展有关.
- 最初针对低级质瘤 (LGG) 和肺腺癌 (LUAD) 的药物显示出对乳腺癌的预测敏感性.
结论:
- ResisenseNet提供了一个强大的工具,用于预测药物敏感性和克服乳腺癌的耐药性.
- 该模型促进了药物的重新用途,揭示了乳腺癌的新疗法机会.
- 这些发现支持已识别的药物在增强乳腺癌化疗和改善患者预后方面的潜力.
