深度CCDS:可解释的深度学习框架,通过描述癌症驱动信号来预测癌细胞药物敏感性
Jiashuo Wu1, Jiyin Lai1, Xilong Zhao1
1College of Bioinformatics Science and Technology, Harbin Medical University, Harbin, 150081, China.
概括
DeepCCDS是一个新的深度学习框架,通过表征癌症驱动信号来改善癌细胞药物敏感性预测. 这种方法通过更好地了解细胞状态和药物反应,提高了精确瘤学.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 药理学 药理学是指药理学的学科.
背景情况:
- 准确地描述细胞状态对于精确的瘤学和预测药物敏感性至关重要.
- 目前用于细胞状态表征的深度学习方法有限,因为它们专注于孤立的遗传标记,忽视复杂的调节网络.
研究的目的:
- 开发一个深度学习框架,DeepCCDS (通过表征癌症驱动信号来预测癌细胞药物敏感性的深度学习框架),以改善癌细胞药物敏感性的预测.
- 通过结合癌症驱动信号的先前知识来增强细胞状态的表征.
主要方法:
- 开发了DeepCCDS,这是一个深度学习框架,将先前知识网络与自我监督的神经网络集成在一起.
- 利用癌症驱动信号来表示影响癌细胞发育和药物反应的关键机制.
- 将DeepCCDS应用于多个数据集和癌症基因组图谱 (TCGA) 固体瘤样本.
主要成果:
- 与现有的最先进的方法相比,DeepCCDS在预测药物敏感性方面表现优异.
- 该框架展示了强大的特征表示能力,并由于集成的先前知识而提高了可解释性.
- 识别了嵌入特征,这些特征在药物查中具有潜在的应用.
结论:
- DeepCCDS通过表征驱动信号,为癌细胞药物敏感性预测提供了一种改进的方法.
- 该框架的解释性和特征表示能力可以帮助理解药物反应机制.
- 将DeepCCDS整合到临床决策中可能会增强癌症患者个性化治疗策略.
更多相关视频
09:41An Organotypic High Throughput System for Characterization of Drug Sensitivity of Primary Multiple Myeloma Cells
Published on: July 15, 2015
8.6K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
6.9K
