混合DLDR:一种基于深度学习的混合型 Glioblastoma (GBM) 耐药性预测系统,使用分子描述符和基因表达数据
Sajid Naveed1, Mujtaba Husnain2, Najah Alsubaie3
1Department of Computer Science, Faculty of Computing, The Islamia University of Bahawalpur, 63100, Pakistan.
Computer methods and programs in biomedicine
|July 1, 2025
概括
这项研究引入了一个深度学习模型,使用基因表达和化学数据来预测质母细胞瘤的耐药性. 该模型显示了改进的准确性,有助于个性化医学和药物基因组学.
科学领域:
- 药物基因组学 药物基因组学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 质母细胞瘤 (GBM) 呈现化学抵抗,影响治疗的有效性.
- 准确预测耐药性对于有效的癌症治疗至关重要.
- 评估耐药性的传统方法昂贵且耗时.
研究的目的:
- 开发一种新的深度学习模型,用于预测质母细胞瘤的耐药性.
- 用基因表达数据和化学特性来预测耐药性.
- 为了提高化疗在癌症治疗中的有效性.
主要方法:
- 开发了一个新的深度学习模型,集成卷积神经网络 (CNN),长短期记忆网络 (LSTM) 和变压器架构.
- 该系统通过分析基因表达细节和化学性质来预测耐药性.
- 该模型使用性能指标进行评估,例如平均平方误差 (MSE),平均绝对误差 (MAE),R平方 (R2) 和皮尔森相关性.
主要成果:
- 拟议的模型实现了0.4109的平均平方误差 (MSE) 和0.5040.0的平均绝对误差 (MAE).
- 该模型显示高R2值为0.9635和皮尔森相关性为0.9999.9.
- 这些结果表明,与现有的药物耐药性预测模型相比,性能优越.
结论:
- 这项研究推进了药物基因组学和个性化医学,为药物耐药性预测提供了强大的工具.
- 这项研究强调了深度学习在克服质母细胞瘤治疗中的化学抵抗挑战方面的潜力.
- 开发的模型提供了一种更有效,更准确的方法来评估耐药性,为改善患者结果铺平了道路.
