两步转移学习在小型数据集中改善了基于深度学习的药物反应预测:质母细胞瘤的案例研究
Jie Ju1, Ioannis Ntafoulis2, Michelle Klein2
1Department of Pathology & Clinical Bioinformatics, Erasmus MC Cancer Institute, University Medical Center Rotterdam, Rotterdam, The Netherlands.
Bioinformatics and biology insights
|January 7, 2025
概括
转移学习 (TL) 提高了深度学习 (DL) 准确度,用于预测质母细胞瘤药物反应,即使患者样本有限. 在相关的癌症药物数据上预先训练DL模型,特别是oxaliplatin,增强了对temozolomide反应的预测.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 由于样本规模不足,深度学习 (DL) 模型在预测患者结果时面临准确性限制.
- 质母细胞瘤 (GBM) 是具有侵略性的,主要药物是temozolomide (TMZ) 具有有限的疗效,O6-甲基瓜氨酸-DNA甲基转移酶 (MGMT) 促进剂甲基化显示出较差的预测能力.
研究的目的:
- 调查转移学习 (TL) 如何克服小样本大小的问题,以预测药物反应.
- 开发和验证一个双步TL框架,用于预测GBM细胞培养中的TMZ反应.
主要方法:
- 使用三个数据集构建了一个双步TL框架:癌症药物敏感性基因组学 (GDSC) 用于预训练,人类质母细胞细胞培养 (HGCC) 用于微调,以及GSE232173用于验证.
- DL模型在GDSC的各种药物处理细胞培养物上进行了预训练,然后在HGCC上进行了改进,以确定预训练的最佳源药物.
- 最终的DL模型在小目标数据集 (GSE232173) 上得到了验证.
主要成果:
- 两步TL方法,特别是当在氧化上进行预训练时,显著优于没有TL的模型,使用一步TL,以及包括MGMT促进者身份在内的基准方法.
- 基于牛氧的TL增强了预测,因为它可能会增加与细胞周期相关的基因的重量,这对TMZ反应至关重要.
- 该方法在预测GBM细胞培养中的药物反应方面表现出卓越的表现.
结论:
- 转移学习有效地解决了有限的样本大小在预测药物反应对像GBM这样的侵袭性癌症的挑战.
- 这项研究强调了西作为一种相关药物的潜力,用于预训练,以改善TMZ反应预测,并建议TL在药物重定向研究中的实用性.
- 拟议的方法提供了一个强大的策略,通过利用相关的癌症和药物数据进行模型预训练和微调来增强药物反应预测.
