乳腺癌患者药物反应的网络模型,集成多omics数据集
Banabithi Bose1, Barbara Stranger1, Serdar Bozdag2,3,4
1Department of Biomedical Informatics, University of Colorado Anschutz Medical Campus, Aurora, Colorado.
bioRxiv : the preprint server for biology
|July 15, 2025
概括
本研究介绍了PDDRNet-MH,这是一个集成多omics数据和药物信息的计算模型,用于预测个性化的癌症药物反应. 该模型准确地识别了患者的敏感性,并发现了用于精确瘤学的新药生物标志物关联.
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:
- 多omics瘤分析使得个性化癌症治疗成为可能.
- 由于临床药物查的伦理和后勤限制,以计算方式预测*in vivo*药物反应至关重要.
研究的目的:
- 开发和验证PDDRNet-MH,一个多重异质网络框架,用于推断个性化药物反应.
- 将多omics瘤概况与药物数据集成,以提高预测准确度.
主要方法:
- 构建了一个多重异质网络,将患者的基因组,转录组和表观基因组数据与药物信息集成在一起.
- 用了四个生物和药理学信息的相似层来进行系统的关联传播.
- 将框架应用于乳腺癌数据,并对11种FDA批准的药物进行基准对比.
主要成果:
- 在预测药物反应方面,PDDRNet-MH取得了很高的准确性,对凝胺和维诺尔胺的得分是完美的 (AUC-ROC=1.00,AUC-PR=1.00).
- 该模型成功地确定了已知的药物生物标志物关联 (例如,拉帕提尼布的HER2,多克索鲁比的BRCA1/2).
- 在HER2安普利康中发现了新的潜在生物标志物,与增强的药物反应有关.
结论:
- PDDRNet-MH可强有力的预测患者的药物敏感性和耐药性.
- 该框架有效地恢复和扩展临床相关的药物生物标志物关联.
- 在指导精确瘤治疗策略方面,PDDRNet-MH显示出显著的实用性.
