在非小细胞肺癌中优化化疗的目标,用于精准医学的转移学习

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 药物发现 药物发现 药物发现

背景情况:

• 非小细胞肺癌 (NSCLC) 是全球癌症死亡的主要原因,生存预测仍然是一个挑战.
• 开发有效的NSCLC疗法是复杂的,因为副作用,耐药性,和各种患者的反应.
• 机器学习 (ML) 和深度学习 (DL) 为推进NSCLC药物发现和个性化治疗提供了有前途的途径.

研究的目的:

• 开发一种先进的药物发现模型,用于识别NSCLC中的治疗点.
• 提高预测治疗点的准确性,以改善NSCLC患者的生存结果.

主要方法:

• 使用混合UNet变压器从药物和蛋白质序列中进行深度特征提取.
• 采用修改后的Rime优化 (MRO) 算法来进行特征选择和缩小维度.
• 开发了一个深度转移学习 (DTransL) 模型,以提高NSCLC的药物发现准确性.

主要成果:

• 拟议的MRO+DTransL模型在基准数据集 (戴维斯,KIBA,Binding-DB) 上的现有最先进模型相比表现优越.
• 实现了高准确率:戴维斯的准确率为98.398%,KIBA的准确率为98.264%,绑定DB的准确率为97.344%.
• 与基线模型相比,显示了显著的性能改进,包括在戴维斯数据集上比LSTM增加9.742%.

结论:

• MRO+DTransL模型代表了NSCLC药物发现ML/DL的重大进展.
• 这种方法有可能识别有效的治疗点,从而改善NSCLC患者的生存结果.
• 该模型的高精度和性能改进表明其在个性化医学中对NSCLC治疗的实用性.